Les FPGA sont de plus en plus utilisés comme moteurs IA pour l'inférence en périphérie, où la faible latence et l'efficacité énergétique sont critiques. Contrairement aux GPU, les FPGA permettent des chemins de données personnalisés et un parallélisme à grain fin, ce qui les rend idéaux pour des modèles spécifiques comme les CNN et les transformeurs. Les principaux modèles d'architecture incluent les réseaux systoliques, le flux de données en streaming et le traitement hétérogène avec des CPU logicielles. Les outils ont mûri avec la synthèse de haut niveau (HLS) et les bibliothèques de fournisseurs, réduisant le temps de développement. Cependant, des compromis de conception subsistent : utilisation des ressources, fréquence d'horloge et surcharge de reconfiguration. Pour les développeurs, comprendre ces modèles aide à choisir entre FPGA, ASIC ou GPU pour les charges de travail IA. La valeur commerciale est élevée dans des secteurs comme l'automobile, l'IoT industriel et les télécommunications, où le traitement en temps réel est obligatoire. Ce sujet est intemporel, car les moteurs IA FPGA continuent d'évoluer avec de nouveaux dispositifs et écosystèmes open source.
L'accélération IA basée sur FPGA est une tendance croissante pour l'inférence en périphérie, offrant faible latence et efficacité énergétique. Nous explorons les modèles d'architecture pour les développeurs.