In diesem Modul erhalten Sie einen ersten Eindruck davon, wie Sie das Beste aus der Kombination der F1-Instanzen mit SDAccel herausholen können, indem Sie einige praktische Anleitungen zur Entwicklung von beschleunigten Anwendungen auf Amazon F1 unter Verwendung der Xilinx SDAccel-Entwicklungsumgebung erhalten. Anschließend stellen wir Ihnen vor, was notwendig ist, um FPGA-Kernel zu erstellen, das FPGA-Programm zu assemblieren und das Amazon FPGA Image (AFI) zu kompilieren. Schließlich werden wir die Schritte und Aufgaben beschreiben, die mit der Entwicklung einer auf dem F1 FPGA beschleunigten Host-Anwendung verbunden sind.

In diesem Modul werden wir Ihnen den Smith-Waterman-Algorithmus vorstellen, den wir ausgewählt haben, um zu demonstrieren, wie man eine Hardware-Implementierung eines Systems auf der Grundlage von FPGA-Technologien mit dem Xilinx SDAccel Design Framework erstellt. Wir werden uns mit den Details des Algorithmus befassen, von seinen Datenstrukturen bis hin zum Berechnungsablauf. Dann stellen wir das Roofline-Modell vor und verwenden es, um die theoretische Spitzenleistung und die Betriebsintensität des Smith-Waterman-Algorithmus zu analysieren.

In diesem Modul werden wir uns näher mit dem Smith-Waterman-Algorithmus befassen. Wir werden eine erste Version des Algorithmus auf einem lokalen Server mit dem Xilinx SDAccel Design Framework implementieren. Dann werden wir einige Optimierungen einführen, um die Leistung zu verbessern, insbesondere werden wir mehr Parallelität in die Implementierung bringen und systolische Arrays einführen. Außerdem werden wir untersuchen, wie wir eine Datenkompression durchführen können, und wir werden mehrere Speicherports nutzen, um die Geschwindigkeit des Speicherzugriffs zu verbessern. Schließlich werden wir unsere Implementierung des Smith-Waterman-Algorithmus auf die AWS F1-Instanzen portieren.

Wir arbeiten an der Spitze der Forschung auf dem Gebiet des rekonfigurierbaren Computings. FPGA-Technologien werden nicht mehr nur als eigenständige Lösungen/Plattformen verwendet, sondern sind jetzt in Cloud-Infrastrukturen integriert. Sie werden nun sowohl zur Beschleunigung von Infrastruktur-/Backend-Berechnungen als auch als Service eingesetzt, der von jedermann genutzt werden kann. In diesem Zusammenhang stehen wir vor der Definition neuer Forschungsmöglichkeiten und technologischer Verbesserungen und der Zeitpunkt könnte unter diesem Gesichtspunkt nicht besser sein. Dieses Modul bildet den Abschluss dieses Kurses, wirft aber auch interessante Fragen zu möglichen zukünftigen Forschungsrichtungen auf, die die Studenten auch auf andere Coursera-Kurse zu FPGAs hinweisen können.