隨著數(shù)字化浪潮的加速，人工智能技術正迅速滲透到各行各業(yè)，如科研、醫(yī)療、工業(yè)自動化和國防科技，AI在深刻改變我們的生活和工作方式的同時也在重塑我們的世界。在科研領域，AI不僅提高了數(shù)據(jù)處理速度，還提升了實驗的精確度和效率，幫助研究人員快速分析更為龐大的數(shù)據(jù)，從而推動新理論和技術的開發(fā)。

FPGA技術的并行處理和低延遲特性展現(xiàn)出很大潛力。它們被廣泛應用于實時信號處理、圖像識別和機器學習等領域，能夠高效運行復雜算法，使其成為科研應用的重要利器。AI和基于FPGA平臺的測試硬件的結合將推動科技在更多領域發(fā)揮作用，帶來無限可能。

11月15日上午10:30，我們有幸邀請到Liquid Instruments的應用工程師王樂博士，為我們帶來了一場主題為“在FPGA平臺上實現(xiàn)高效神經網絡應用”的精彩直播。王樂博士深入分析了FPGA技術在神經網絡領域的應用優(yōu)勢，并探討了如何將這些優(yōu)勢轉化為科研創(chuàng)新的動力。她詳細介紹了FPGA在信號處理、去噪、傳感器調節(jié)和自適應控制中的神經網絡應用，并分享了使用Python進行神經網絡構建、訓練和模型優(yōu)化的實踐經驗。同時，她還展示了在Moku設備上部署神經網絡以實現(xiàn)實時機器學習的案例，為觀眾提供了寶貴的實踐指導。

直播亮點回顧

1、基于FPGA平臺的神經網絡應用優(yōu)勢

神經網絡通常運行在CPU和GPU上，獲得強大算力的同時，資源消耗大且能耗高。作為優(yōu)異的替代方案，F(xiàn)PGA兼具一定的算力水平也提供了靈活性，適合小尺寸神經網絡的應用，這有利于科研和工業(yè)領域。FPGA并行處理能力，使其非常適合神經網絡操作中的復雜計算。而且由于能夠快速處理實時數(shù)據(jù)，F(xiàn)PGA在實驗場景中可以實現(xiàn)快速決策，而無需依賴上位機。此外，F(xiàn)PGA可以輕松重構，以滿足可定制化的需求，更因為其結構緊湊，基于FPGA神經網絡可以減少資源和能源消耗。

2、Moku平臺上的神經網絡儀器功能

Moku神經網絡是 Liquid Instruments在Moku:Pro硬件上發(fā)布的全新的儀器功能，它可以與設備內已經開發(fā)的的波形發(fā)生器、PID控制器和示波器等儀器功能同步使用。用戶可以使用Python開發(fā)和訓練神經網絡，并可以在多儀器并行模式下將其加載到Moku:Pro硬件中，這樣可以分析多個輸入通道和進行實時數(shù)據(jù)處理。Moku神經網絡支持最多五個全連接層，每個層最多可容納100個神經元，并提供五種不同的激活函數(shù)。

3、Moku平臺上的神經網絡應用實例

王樂博士還通過一系列實際應用示例向我們展示如何在Moku平臺部署神經網絡，實現(xiàn)信號降噪、傳感器調理等多種應用，指導用戶從構建神經網絡到將訓練模型上傳到Moku平臺進行實現(xiàn)他們訓練好的機器學習算法的全過程。此外，Liquid Instruments還為用戶還提供了豐富的示例資源，節(jié)省用戶開發(fā)模型到實現(xiàn)應用寶貴的時間并提升了效率。

4、Moku神經網絡在光學領域的應用前景

最后，王樂博士還分享了Moku神經網絡在光學領域的廣闊應用前景。在自動化光學系統(tǒng)方面，Moku可以通過對激光光源的自適應控制、光傳播過程中的像差或漂移自動補償，以及閉環(huán)控制器參數(shù)的精準調節(jié)，構建一個高度穩(wěn)定的光路系統(tǒng)。而在信號處理方面，Moku神經網絡能夠自動提取光譜特征，用于化學成分識別和定量分析，并支持光學相位信息重建等復雜算法應用。Moku神經網絡將為光學實驗提供更加穩(wěn)定的系統(tǒng)和高效的信號處理方案，顯著提升實驗的精度和效率。

Q&A環(huán)節(jié)回顧

本次直播除了王博士干貨滿滿的分享之外，更有精彩的Q&A互動環(huán)節(jié)，下面是對本次Q&A環(huán)節(jié)的精彩回顧(節(jié)選部分)

Q1: 在構建神經網絡時，您更傾向于使用哪種Python框架，TensorFlow、PyTorch還是其他？為什么？

A1:Moku神經網絡的Python庫目前僅支持TensorFlow。如果您使用PyTorch來創(chuàng)建和訓練模型也是可以的，只要您在構建和訓練模型時保證層數(shù)、神經元數(shù)、激活函數(shù)等參數(shù)在Moku允許取值的范圍內，并且最終生成包含模型參數(shù)的 .linn文件能被加載到Moku神經網絡儀器內即可。Q2:訓練好的網絡可以部署在FPGA上對未知信號實時處理預測嗎？
A2:這是完全可以的。正如直播中的信號降噪處理示例，我們在創(chuàng)建和訓練神經網絡模型時使用的是隨機游走的信號數(shù)據(jù)。但在實際部署到Moku:Pro后我們使用的是帶有大量高斯噪聲的正弦波、方波這些不同于游走信號的信號類型，這也是深度學習的一個重要特點——泛化性，即可以對未知數(shù)據(jù)進行精準預測。Q3:開發(fā)人員在使用FPGA進行神經網絡開發(fā)時需要具備哪些技能？是否有特定的編程模型或工具鏈推薦？
A3:我們在演示示例初期介紹了TensorFlow框架，以及所需要的Python編譯環(huán)境和相關的依賴數(shù)據(jù)包，這是我們需要使用到的工具鏈和模型。同時作為初次接觸神經網絡的用戶，我們在官網提供了示例頁面的鏈接，供大家參考和學習，可以從最基礎的加權求和示例開始您的第一個神經網絡模型創(chuàng)建和運行。Q4:對于復雜信號支持程度怎么樣，舉個例子，有調頻信號之類的嗎？
A4:對復雜信號的處理支持程度，取決于您在創(chuàng)建神經網絡模型時按照您的需求對輸入數(shù)據(jù)和輸出數(shù)據(jù)進行預期設置。那么在訓練完之后，在實際信號輸入可以是調頻信號這種復雜信號，輸出則是您期望的信號。Q5:信號降噪，用濾波器功能也可以實現(xiàn)吧，神經網絡的優(yōu)勢是什么？
A5:面對含有噪聲的單頻信號使用濾波器是非常直接高效的一個辦法，但是大部分情況我們的信號還有很多的分量，如方波這種含有奇次諧波的信號，使用低通濾波器可能會濾除高頻成分造成不可避免的信號失真。神經網絡可以通過對信號特征的捕捉，同時噪聲不含有特定特征這種屬性來達到去噪處理的效果，保持了信號的完整性。Q6: moku神經網絡能否用于激光鎖頻中系統(tǒng)長期漂移的補償？
A6:這與深度學習PID控制器的概念相似。理論上是可行的。例如，當系統(tǒng)發(fā)生漂移，無論是由于溫度變化還是光路對準的問題，我們需要一個能夠直接或間接反映這種變化的輸入數(shù)據(jù)，比如監(jiān)測從諧振腔出來的光強或激光對準位置等；輸出可以是PID控制或其他控制方法的參數(shù)。只要我們能夠建立好輸入輸出之間的關系，就可以使用神經網絡作為實時補償漂移的手段。

本期直播讓我們看到基于FPGA的Moku神經網絡的強大功能與廣泛應用，特別是在信號處理、自動化控制、傳感器調理等方面。Moku神經網絡不僅提高了實驗數(shù)據(jù)的質量與準確性，還為科研和工業(yè)領域的高效決策提供了有力支持。通過直播也為科研人員和工程師們在實際工作中應用FPGA技術提供了寶貴的指導。用戶能夠全面了解神經網絡的開發(fā)、訓練與實際應用，助力他們在更復雜的實驗中實現(xiàn)創(chuàng)新與突破。我們相信，人工智能將在越來越多應用場景中發(fā)揮更加關鍵的作用，推動科研和工業(yè)的創(chuàng)新發(fā)展。

Moku介紹

Moku是由Liquid Instruments基于FPGA技術開發(fā)的多功能測試測量平臺，結合高帶寬模數(shù)轉換器和數(shù)模轉換器，實現(xiàn)高速數(shù)據(jù)采集、處理分析、波形生成以及實時閉環(huán)控制等多種儀器算法和應用。憑借其創(chuàng)新的軟件定義精密測量技術，Moku將15種不同的測試測量儀器功能集成于一臺設備中，包括鎖相放大器、激光穩(wěn)頻控制器、高精度相位計、時間間隔分析儀、機器學習神經網絡、示波器和任意波形發(fā)生器等。用戶可以根據(jù)應用需求靈活組合這些儀器功能，實現(xiàn)同時運行并構建定制化的測試測量系統(tǒng)。此外，Moku支持用戶編程，進一步增強其在各類科研和工程應用中的適應性與擴展性。