ETD

• acceleratori per reti neurali
• accelerazione hardware
• benchmark
• convolutional neural networks
• design space exploration
• esplorazione dello spazio di progetto
• FINN
• FPG-AI
• FPGA
• hardware acceleration
• high-level synthesis
• hls4ml
• neural network accelerators
• quantization
• quantizzazione
• reti neurali convoluzionali

This thesis analyzes and compares three tools for the automatic design of neural network accelerators on FPGA: hls4ml, FINN, and FPG-AI. The work does not limit itself to a theoretical comparison of the tools, but includes a design and design-space exploration activity across the three development flows, with the aim of evaluating their behavior, flexibility, and limitations in realistic application scenarios. In particular, the focus is not only on the final performance of the generated hardware, but also on the simplicity of the development flow, resource utilization, and power consumption. For the comparison, two convolutional neural networks with different levels of complexity were considered, LeNet and NiN, implemented on the ZCU104 platform. The results show that hls4ml achieves very low latency in simpler cases, but exhibits scalability limitations when dealing with larger and more complex networks. FINN proves to be particularly efficient from a hardware perspective, especially when working with quantized networks, providing good performance at the cost of a more rigid workflow and increased design complexity. FPG-AI, on the other hand, emerges as the most accessible and balanced tool, offering good trade-offs between ease of use, power consumption, and resource utilization.

La tesi analizza e confronta tre strumenti per la progettazione automatica di acceleratori di reti neurali su FPGA: hls4ml, FINN e FPG-AI. Il lavoro non si limita a un confronto teorico degli strumenti, ma comprende un’attività di design ed esplorazione progettuale sui tre flussi, con l’obiettivo di valutarne comportamento, flessibilità e limiti in scenari applicativi concreti. In particolare, l’attenzione è rivolta non solo alle prestazioni finali dell’hardware generato, ma anche alla semplicità del flusso di sviluppo, all’utilizzo delle risorse e al consumo di potenza. Per il confronto sono state considerate due reti neurali convoluzionali di diversa complessità, LeNet e NiN, implementate sulla piattaforma ZCU104. I risultati mostrano che hls4ml garantisce latenze molto basse nei casi più semplici, ma presenta maggiori difficoltà di scalabilità su reti più grandi e complesse. FINN si dimostra particolarmente efficiente dal punto di vista hardware, soprattutto nel caso di reti quantizzate, offrendo buone prestazioni a fronte di un flusso più rigido e di una maggiore complessità progettuale. FPG-AI, invece, emerge come lo strumento più accessibile e bilanciato, capace di fornire buoni compromessi tra facilità d’uso, consumi e risorse impiegate. Nel complesso, le metriche definite e l’attività di design svolta rendono possibile un confronto articolato sotto diversi aspetti, fornendo indicazioni utili a futuri system engineer per individuare, in funzione dei propri requisiti, il tool più adatto tra quelli considerati.