17:44官方账号arXiv cs.LG@Zhiqiang Que, Chang Sun, Haiyang Wang, Dinesh Pamunuwa, Roshan Weerasekera, Qijia Tang, Bakhtiar Zadeh, Wayne Luk, Maria SpiropuluFQTree是一种针对提升决策树(BDT)的细粒度量化感知训练算法,配套QXGB框架可自动生成低延迟硬件实现。它采用硬件导向的叶值量化方案,结合全局量化步长与树级移位,实现紧凑的非负整数叶表示、受控裁剪和偏差折叠。该量化在训练过程中逐步应用,使后续树能适应已量化集成模型的误差。在JSC、MNIST和NID数据集上,相比现有FPGA BDT设计,FQTree将LUT使用量减少26%至57%,同时保持或提升准确率。AI模型FQTreeQXGB决策树推荐理由:FQTree把提升决策树的量化做到硬件级,在FPGA上能省26-57%查找表,精度还不掉,做边缘部署的可以看看。原文稍后读已读值得跟进有用关注 FQTree
08:08IT之家(博客/媒体)莱迪思以16.5亿美元收购固件大厂AMI,旨在结合其低功耗FPGA与AMI的云计算和AI平台固件技术。合并后企业将针对AI/HPC行业提供硬件与固件融合方案,应对安全、功耗、性能需求。AMI将以独立部门运营,维持芯片中立原则。行业莱迪思AMI收购推荐理由:莱迪思花了16.5亿美元买下AMI,把FPGA硬件和服务器固件搞一起,专攻AI基础设施的安全和功耗问题。原文稍后读已读值得跟进有用关注 莱迪思
12:03官方账号arXiv cs.LG@Ivan Ge, Sagar Addepalli, Abhilasha Dave, Julia Gonski该研究在变分量子自编码器模型上实现实时异常检测触发,性能与经典SOTA方法相当。模型经FPGA合成后,资源使用和时序约束满足未来对撞机触发要求。这是首次在HEP触发器中完成QML模型的FPGA实现,可直接部署于经典数据采集管线。论文Quantum AutoencoderFPGA高能物理推荐理由:这篇论文把量子自编码器跑在FPGA上做高能物理异常检测,效果不输经典方法,而且资源够用,直接能用。原文稍后读已读值得跟进有用关注 Quantum Autoencoder
09:50官方账号arXiv cs.AI@Jiajun Hu, Ruthwik Reddy Sunketa, Lei Zhao, Archit Gajjar, Luca Buonanno, Aman Arora精选NIFA是一种新型FPGA架构,通过集成无ADC的IMC块(用ACAM替代传统ADC)来原生处理非线性运算,从而提升Transformer模型的推理效率。相比传统FPGA,NIFA在CNN基准上实现高达40倍能效提升和4.1倍面积效率提升,在Transformer基准上实现1.9倍能效和2.5倍面积效率提升。该架构针对注意机制中的动态矩阵乘法(DIMM)进行了优化,能有效处理长输入序列。论文NIFAFPGA推理效率推荐理由:这篇论文提出NIFA架构,用ACAM替代ADC省掉70%面积和功耗,让FPGA跑Transformer能效提升近2倍,CNN更是飙升40倍。原文稍后读已读值得跟进有用关注 NIFA
18:51IT之家(博客/媒体)紫光同创在2026慕尼黑上海电子展上发布Titan-3系列亿门级高端FPGA,是国内首款自主产权产品。该产品采用FinFET工艺,包含PG3T1300、PG3T1500等型号,支持PCIe Gen4、DDR4等接口。同时亮相的PG3T1300加速卡搭载4路25G光口和PCIe 4.0 x8接口,适用于云计算、图像视频转码、大模型推理等场景。AI产品紫光同创Titan-3FPGA推荐理由:紫光同创发布首款国产亿门级FPGA Titan-3,FinFET工艺,加速卡100G带宽,国产替代利器。原文稍后读已读值得跟进有用关注 紫光同创
10:47官方账号arXiv cs.LG@Hubert Dymarkowski, Xingjian Fu, Rappy Saha, Jude Haris, José CanoFlexViT是一种基于FPGA的可重构加速器,专为资源受限的边缘设备上的视觉Transformer推理设计。它基于SECDA-TFLite框架,通过硬件-软件协同设计将全连接和卷积层映射到统一的INT8 GEMM引擎。采用双模数据流动态切换输入和权重复用策略,并引入深度优先平铺技术避免片外部分和传输。在PYNQ-Z2 FPGA上测试,加速器执行层最高提速2.74倍,端到端推理比CPU快1.40倍。论文FlexViTFPGAVision Transformer推荐理由:想把ViT模型跑到边缘FPGA上?FlexViT用硬件协同把混合层揉进统一引擎,比CPU快1.4倍,代码已经开源。原文稍后读已读值得跟进有用关注 FlexViT