Implementación sobre Hardware Reconfigurable de Redes Neuronales Artificiales

• Autores: Rubén Padial Aullé
• Directores de la Tesis: Antonio García Ríos (codir. tes.), Víctor Toral López (codir. tes.)
• Lectura: En la Universidad de Granada ( España ) en 2026
• Idioma: español
• ISBN: 9791370153687
• Número de páginas: 238
• Enlaces
  • Tesis en acceso abierto en: DIGIBUG
• Resumen
  • español

    En los últimos años, la inteligencia artificial ha experimentado un crecimiento significativo, impulsando el desarrollo de nuevas aplicaciones en ámbitos muy diversos. Sin embargo, este avance plantea importantes desafíos en términos de eficiencia computacional, consumo energético y capacidad de procesamiento en tiempo real. Actualmente, muchas de estas aplicaciones se ejecutan en servidores externos, enviando la información a sistemas remotos, lo que conlleva un aumento del tráfico de datos y de la latencia. No obstante, existen escenarios en los que la latencia o incluso la privacidad de los datos son aspectos críticos, por lo que se requiere ejecutar estos algoritmos directamente en el propio dispositivo, lo que se conoce como edge computing. De hecho, las principales compañías que impulsan el desarrollo de la inteligencia artificial, como Google o NVIDIA, también han apostado por diseñar sus propios circuitos integrados y dispositivos orientados a la inferencia de redes neuronales en sistemas embebidos de recursos limitados. En este contexto, el hardware reconfigurable, y en particular las FPGA, se presenta como una alternativa prometedora frente a las arquitecturas tradicionales, ya que permite adaptar el hardware en función de la aplicación y ofrece la posibilidad de incorporar funcionalidades o procesamiento adicional según las necesidades de cada aplicación. Esta Tesis Doctoral aborda el diseño e implementación de soluciones basadas en inteligencia artificial, evaluando distintas estrategias para su inferencia en entornos de edge computing, con especial atención a plataformas basadas en FPGA y su aplicabilidad en escenarios reales. En concreto, en este trabajo se estudian dos casos de uso relevantes: uno en el ámbito de las comunicaciones, centrado en superficies inteligentes reconfigurables (RIS), y otro en el campo biomédico, enfocado en el procesamiento de señales de electrocardiografía fetal (fECG). A lo largo del trabajo se analizan diferentes arquitecturas y metodologías de implementación, evaluando su rendimiento y viabilidad en sistemas reales. Los resultados obtenidos demuestran el potencial del uso de FPGA para acelerar algoritmos de inteligencia artificial, permitiendo soluciones eficientes y adaptables en aplicaciones con requisitos estrictos de latencia. Además de la aceleración de los algoritmos, el sistema desarrollado integra etapas de preprocesamiento, postprocesamiento y hardware adicional específico para cada aplicación. En conclusión, este trabajo pone de manifiesto el papel clave del hardware reconfigurable como plataforma eficiente para ejecutar inteligencia artificial en entornos exigentes, abriendo nuevas líneas de investigación y desarrollo en este campo.

  • English

    In recent years, artificial intelligence has experienced significant growth, driving the development of new applications across a wide range of fields. However, this progress poses important challenges in terms of computational efficiency, energy consumption, and real-time processing capabilities. Currently, many of these applications are executed on external servers, requiring data to be sent to remote systems, which results in increased data traffic and latency. Nevertheless, there are scenarios in which latency and data privacy are critical aspects, making it necessary to execute these algorithms directly on the device itself, a paradigm known as edge computing. Major companies leading the advancement of artificial intelligence, such as Google and NVIDIA, have also invested in the design of their own integrated circuits and devices aimed at neural network inference in resource-constrained embedded systems. In this context, reconfigurable hardware, and particularly FPGAs, emerges as a promising alternative to traditional architectures, as it enables hardware adaptation to specific application requirements and allows the integration of additional functionalities or processing as needed. This Ph.D. Thesis addresses the design and implementation of artificial intelligence-based solutions, evaluating different strategies for their inference in edge computing environments, with a particular focus on FPGA-based platforms and their applicability in real-world scenarios. Specifically, two relevant use cases are studied: one in the field of communications, focused on reconfigurable intelligent surfaces (RIS), and another in the biomedical domain, centered on fetal electrocardiography (fECG) signal processing. Throughout this work, different architectures and implementation methodologies are analyzed, assessing their performance and feasibility in real systems. The obtained results demonstrate the potential of FPGAs to accelerate artificial intelligence algorithms, enabling efficient and adaptable solutions for applications with strict latency requirements. In addition to algorithm acceleration, the developed system integrates preprocessing, postprocessing, and application-specific hardware components. In conclusion, this work highlights the key role of reconfigurable hardware as an efficient platform for deploying artificial intelligence in demanding environments, opening new avenues for research and development in this field.