FPGA為高性能計算和機器學習提供了一種早期的架構專門化選項。體系結構專門化是繼續改進性能的一種選擇，以克服摩爾定律中減緩技術步伐所帶來的限制。無論是在功耗還是性能方面，使用特定于應用程序的硬件來加速應用程序或其中一部分，并允許使用更高效的硬件作為支撐。

考慮到為單個應用程序或工作流構建計算硬件的固有成本，這種策略不能用于所有應用程序。然而，通過將挑戰組合成組，或者識別能夠從加速中獲益的關鍵工作負載或代碼，很可能成為提高應用程序性能的一個重要部分。一些應用程序非常適合于GPU或FPGA等技術，這些技術可以通過實現加速技術來提高性能。GPU加速或架構專業化并非新概念，一些專家預測，它們將越來越普遍地用于提高性能，并降低未來系統的能源成本。

最終的目的是為特定于應用程序的集成電路(ASIC)而開發的計劃，但最初將在FPGA上實行。雖然這個項目還在進行中，但它演示了如何在FPGA技術上實現適合高度并行執行的特定代碼或代碼段，FPGA技術可以補充未來的CPU或基于CPU/ GPU的計算系統。

歐洲核子研究中心(CERN)正在使用Xilinx FPGA加速推理和傳感器預處理工作負載來搜索暗物質。該項目背后的研究人員正利用FPGA和CERN其他計算資源，以極快的速度處理大量高能粒子物理數據，以尋找宇宙起源的線索。因此這需要實時過濾傳感器數據，以識別可能包含暗物質和其他物理現象存在證據的新粒子結構。

Harris解釋了這個項目背后的意義:“我們是在和幾個使用微軟brainwave團隊的FPGA進行機器學習的工程師交談后受到啟發的，并且在Github上看到了一些使用Xilinx的Vivado HLS工具編寫的非常簡單的機器學習推理代碼。這兩者的結合讓我們非常興奮，這讓我們看到了hls4ml[1]項目實現快速基于ml事件觸發器的潛力。”

該團隊開始開發和測試一個基于Xilinx Vivado HLS的工具流，這將縮短為CMS一級觸發器創建機器學習算法所需的時間。hls4ml工具有許多可配置的參數，使用戶能夠為他們的應用程序定制延遲、啟動間隔和資源使用權衡的空間。在團隊創建hls4ml之前，物理學家必須手工創建簡單的觸發算法，然后工程師將用Verilog或VHDL編寫FPGA程序。這是一個非常耗時的過程，可能需要幾個月。

Harris解釋了物理學家在不知道暗物質實際是什么樣子的情況下，如何利用機器學習算法來尋找暗物質，以訓練神經網絡。Harris說:“我們對暗物質的樣子做了一個假設，并寫下了一張清單，上面列出了我們對暗物質的所有預期特征。”

Tran總結了hls4ml項目的優點。“在我們的日常工作中，它真的讓我們能夠通過觸發器在實驗的各個階段進行機器學習。”在此之前，你必須考慮一個非常具體的應用程序，并為VHDL或Verilog開發模型和固件。現在，你可以從更廣泛的角度來思考如何改進物理，無論是低級別的撞擊聚集在某個量熱計中一直到獲得完整的事件并優化特定的拓撲。它讓機器學習在整個實驗中更快地傳播和采用。”

Project Catapult是微軟研究院提出的一項開創性計劃，旨在提供一種可大范圍提高數據中心負載性能和能源效率的開創性方案，該計劃希望能通過現場可編程門陣列(FPGA)的幫助來得以實現目標。它本質上是在云中部署FPGA，將CPU連接，提供互連的可編程硅的可配置計算層。

該項目始于2010年，當時由Doug Burger和Derek Chiou領導的一個小團隊開始探索其他架構和專用硬件，如GPU、FPGA和ASIC。該團隊開發了一個基于FPGA的云計算系統，與使用CPU或基于GPU的系統完成相同任務相比，該系統具有更高的能源效率。FPGA也提供了這種好處，同時不需要與開發自定義ASIC相關的相同級別的風險。

Project Catapult的董事會級架構被設計得非常靈活。FPGA可以充當本地計算加速器、內聯處理器或分布式計算的遠程加速器。在本地設計中，FPGA位于數據中心的頂層(ToR)網絡交換機和服務器的網絡接口芯片之間。網絡流量通過FPGA進行路由，FPGA甚至可以對高帶寬的網絡流量進行行速率計算。

使用這種加速結構，他們可以部署分布式硬件微服務(HWMS)，靈活地利用可伸縮的FPGA數量(從1個到數千個)。相反，云級別的應用程序可以利用這些微服務的可伸縮數量，而不需要了解底層硬件。通過將這種方法與部署在datacentres的近100萬個Intel FPGA相結合，微軟已經構建了一個類似超級計算的基礎設施，它可以以令人難以置信的性能和能源效率計算特定的機器學習和深度學習算法。