Resumen
La presente tesis doctoral aborda el diseño, el desarrollo y la implementación de
sistemas SoPC (System-on-Programmable-Chip) para el procesamiento eficiente de
algoritmos de inteligencia artificial en la periferia, centrándose en la inferencia de
redes neuronales profundas. El motivo del presente trabajo es la creciente necesidad
de procesar datos localmente en dispositivos con recursos limitados, con el objetivo
de reducir la latencia, el consumo energético y la dependencia de conexiones remotas
a la nube, sin comprometer la capacidad de decisión autónoma en tiempo real.
La investigación propone una arquitectura híbrida hardware/software que permite
acelerar funciones críticas de redes neuronales mediante hardware reconfigurable,
mientras mantiene la flexibilidad y capacidad de adaptación que ofrece el procesamiento software. Para ello, se emplea una herramienta de síntesis de alto nivel,
específicamente Vitis¿ HLS, que permite convertir algoritmos escritos en lenguajes
de alto nivel (C/C++) a módulos hardware optimizados (RTL), facilitando la implementación eficiente de operaciones como vector-matriz, funciones de activación y
transferencia de datos mediante DMA.
La metodología adoptada sigue una serie de etapas claramente definidas: el
entrenamiento de la red neuronal en Python, el diseño y la optimización de funciones
con Vitis¿ HLS, la integración en la arquitectura SoPC y, finalmente, la validación del
sistema mediante casos de uso de redes neuronales profundas. Se evalúan distintas
configuraciones del sistema, al tener en cuenta el ancho de bus de datos, la topología
de la red neuronal y el tipo de funciones implementadas en hardware, en punto fijo o
punto flotante, con el objetivo de caracterizar el impacto en el rendimiento, el uso de
recursos lógicos del SoPC y el consumo energético.
Los resultados obtenidos muestran que, para determinadas configuraciones de red
neuronal, la aceleración por hardware permite reducir significativamente los tiempos
de procesamiento y mejorar la eficiencia energética. Asimismo, se demuestra que el
sistema desarrollado es reconfigurable por software y adaptable a diferentes topologías
de redes neuronales profundas, confirmando su aplicabilidad en entornos reales de
inteligencia artificial en la periferia.
Finalmente, se discute el aporte original de este trabajo, que consiste en una plataforma flexible y eficiente basada en SoPC para el procesamiento de redes neuronales
profundas, utilizando flujos de desarrollo ágiles con herramientas como Vitis¿ HLS.
Se proponen además líneas para futuras investigaciones, incluyendo la optimización
dinámica entre hardware y software y la exploración de formatos numéricos de baja
precisión.
