MERINDA: FPGA-gestützte Modellwiederherstellung spart Speicher und Zeit für Systeme

In der Welt der mission‑kritischen autonomen Systeme (MCAS) spielt die Modellwiederherstellung (MR) eine zentrale Rolle, weil sie sichere und nachvollziehbare Entscheidungen ermöglicht. Durch das Lernen der zugrunde liegenden dynamischen Gleichungen kann MR die Komplexität von Systemverhalten in Echtzeit erfassen.

Die praktische Umsetzung von MR auf Edge‑Geräten stößt jedoch an Grenzen. Die gängigen neuronalen gewöhnlichen Differentialgleichungen (NODEs) erfordern iterative Löser, die auf FPGAs sehr ineffizient sind. Gleichzeitig sind Speicher‑ und Energieverbrauch die entscheidenden Faktoren, wenn MR in Echtzeit auf ressourcenbeschränkten Geräten eingesetzt werden soll.

Um diese Hürden zu überwinden, haben Forscher MERINDA entwickelt – ein FPGA‑beschleunigtes MR‑Framework, das die iterativen Solver durch eine parallelisierbare neuronale Architektur ersetzt, die den NODE‑Effekt reproduziert. Diese Architektur nutzt die parallele Verarbeitung von FPGAs voll aus und eliminiert die Notwendigkeit von sequentiellen Berechnungen.

Die Ergebnisse sind beeindruckend: MERINDA reduziert den DRAM‑Verbrauch um fast 11‑fach und beschleunigt die Laufzeit um 2,2‑fach im Vergleich zu mobilen GPUs. Zusätzlich zeigen Experimente, dass bei gleicher Genauigkeit ein inverses Verhältnis zwischen Speicher‑ und Energieverbrauch besteht, was MERINDA besonders für ressourcenbeschränkte, Echtzeit‑MCAS‑Anwendungen geeignet macht.