據了解，Achronix是一家私有的、采用無晶圓廠模式的半導體公司，于2004年成立，總部位于美國加利福尼亞州圣克拉拉市，公司開發自己的FPGA技術，該技術是Speedster22i FPGA及Speedcore eFPGA技術的基礎，Achronix的所有FPGA產品均由其ACE設計工具提供支持，該工具還集成了對Synopsys Synplify Pro工具的支持。

據Steve Mensor介紹，Achronix長期以來在可編程邏輯領域總是不斷創新，這也能在用于人工智能、機器學習和網絡硬件加速應用的第四代Speedcore eFPGA IP中得到體現，為業界樹立了領先性能、功耗和成本的標準，Speedcore嵌入式FPGA IP成為業界唯一經過流片驗證過的嵌入式FPGA技術。

FPGA的開發相對于傳統PC、單片機的開發有很大不同。FPGA以并行運算為主，以硬件描述語言來實現;相比于PC或單片機(無論是馮諾依曼結構還是哈佛結構)的順序操作有很大區別，也造成了FPGA開發入門較難，FPGA開發需要從頂層設計、模塊分層、邏輯實現、軟硬件調試等多方面著手。

Steve Mensor認為，如今的摩爾定律正在持續放緩，通信網絡帶寬在急劇增加，物聯網時代意味著每秒將有數萬以次的計算，這無疑對現階段處理器的性能提出了全新的門檻，對此需要針對特定應用的數據集和架構。

Steve Mensor表示，在Speedcore Gen4架構中，Achronix將機器學習處理器(MLP)添加到Speedcore可提供的資源邏輯庫單元模塊中。MLP模塊是一種高度靈活的計算引擎，它與存儲器緊密耦合，從而為人工智能和機器學習(AI / ML)應用提供了性能/功耗比最高和成本最低的解決方案。

據Steve Mensor介紹，FPGA最適合AI/ML多元應用場景，因為ASIC在應用上不具備靈活性，GPU更適合云端計算，而FPGA則最適合在邊緣計算。

此外，Steve Mensor表示，工藝也是決定算力不可或缺的因素之一。先進的制程工藝可以讓芯片性能得到提高，并且功耗會降低，目前市面FPGA芯片基本都是基于20nm和28nm的工藝，無法滿足未來對于算法的要求，Achronix公司的FPGA硬件加速器器件和高性能嵌入式FPGA半導體知識產權一直以來都走在FPGA工藝技術的前列，Steve Mensor還透露，Achronix將于2019年下半年提供用于臺積電16nm和12nm工藝節點的Speedcore Gen4 eFPGA IP。

據了解，此次Achronix推出的Speedcore Gen4將性能提高了60%、功耗降低了50%、芯片面積減少65%，同時保留了原有的Speedcore eFPGA IP的功能，即可將可編程硬件加速功能引入廣泛的計算、網絡和存儲應用，實現接口協議橋接/轉換、算法加速和數據包處理。

Steve Mensor表示，Speedcore采用了一種模塊化的架構，它可根據客戶的要求輕松配置其大小，Achronix使用其Speedcore Builder工具來即刻創建新的Speedcore實例，以便滿足客戶對其快速評估的要求。

除了在性能上的強悍表現，解決帶寬爆炸問題、最佳的人工智能/機器學習加速器、架構性創新提高系統性能也是Speedcore Gen4的幾大亮點。

解決帶寬爆炸問題

固定和無線網絡帶寬的急劇增加，加上處理能力向邊緣等進行重新分配，以及數十億物聯網設備的出現，將給傳統網絡和計算基礎設施帶來壓力。這種新的處理范式意味著每秒將有數十億到數萬億次的運算。傳統云和企業數據中心計算資源和通信基礎設施無法跟上數據速率的指數級增長、快速變化的安全協議、以及許多新的網絡和連接要求。傳統的多核CPU和SoC無法在沒有輔助的情況下獨立滿足這些要求，因而它們需要硬件加速器，通常是可重新編程的硬件加速器，用來預處理和卸載計算，以便提高系統的整體計算性能。經過優化后的Speedcore Gen4 eFPGA已經可以滿足這些應用需求。

最佳的人工智能/機器學習加速器

除了計算和網絡基礎設施的通用要求之外，人工智能/機器學習還對高密度和針對性計算產生了顯著增加的需求。與以前的Achronix FPGA產品相比，新的Achronix機器學習處理器(MLP)利用了人工智能/機器學習處理的特定屬性，并將這些應用的性能提高了300%。這是通過多種架構性創新來實現的，這些創新可以同時提高每個時鐘周期的性能和操作次數。

新的Achronix機器學習處理器(MLP)是一個完整的人工智能/機器學習計算引擎，支持定點和多個浮點數格式和精度。每個機器學習處理器包括一個循環寄存器文件(Cyclical Register File)，它用來存儲重用的權重或數據。各個機器學習處理器與相鄰的機器學習處理器單元模塊和更大的存儲單元模塊緊密耦合，以提供最高的處理性能、每秒最高的操作次數和最低的功率分集。這些機器學習處理器支持各種定點和浮點格式，包括Bfloat16、16位、半精度、24位和單元塊浮點。

用戶可以通過為其應用選擇最佳精度來實現精度和性能的均衡。

為了補充機器學習處理器并提高人工智能/機器學習的計算密度，Speedcore Gen4查找表(LUT)可以實現比任何獨立FPGA芯片產品高出兩倍的乘法器。領先的獨立FPGA芯片在21個查找表可以中實現6x6乘法器，而Speedcore Gen4僅需在11個LUT中就可實現相同的功能，并可在1 GHz的速率上工作。

架構性創新提高系統性能

與上一代Speedcore產品相比，新的Speedcore Gen4架構實現了多項創新，從而可將系統整體性能提高60%。其中查找表的所有方面都得到了增強，以支持使用最少的資源來實現各種功能，從而可縮減面積和功耗并提高性能。其中的更改包括將ALU的大小加倍、將每個LUT的寄存器數量加倍、支持7位函數和一些8位函數、以及為移位寄存器提供的專用高速連接。

其中的路由架構也借由一種獨立的專用總線路由結構得到了增強。此外，在該路由結構中還有專用的總線多路復用器，可有效地創建分布式的、運行時可配置的交換網絡。這為高帶寬和低延遲應用提供了最佳的解決方案，并在業界首次實現了將網絡優化應用于FPGA互連。