王升哲，唐中和，郭 航,2，刘书信,3，刘云峰,4，张承果，张 枭，郑 杰

(1.北方激光研究院有限公司 控制与制导研究所, 成都 610011;2.四川大学 计算机学院，成都 610065; 3.重庆大学 光电工程学院, 重庆 400040;4.火箭军装备部驻成都地区第四军事代表室, 成都 610052)

0 引言

随着人工智能的崛起，对深度学习、大数据、神经网络芯片等相关技术成果的集成应用，人工智能的智能化水平进一步提升，对未来战争将产生全方位、颠覆性的影响[1]。弹载计算机SoC处理芯片作为制导武器的重要组成部分，采用高精度制导与控制系统，利用人工智能的训练和推理，通过对各种传感器获取的目标信息，以及对信息分析和处理后实时修正、控制导弹的飞行轨迹，完成对目标的有效攻击[2]。

目前，以卷积神经网络为代表的深度学习算法在形式上模拟了人脑的学习过程，也就是重复训练强化其智能思维，大大提升了人工智能系统的运行效率[3]。然而，深度学习算法需要专用硬件平台才能发挥其性能[4]。现有的人工智能芯片的技术路线大致可以分为三类：1)通用型的CPU及GPU芯片；CPU的架构和指令对神经网络计算的兼容度不够，性价比与运算效率偏低；2)FPGA芯片；具有可定制、可编程的特点，且并行效率适应神经网络运算。3)专用ASIC芯片；对特定计算的运行效率极高，不具备编程过程。

目前主流的方法是以FPGA和DSP作为智能图像处理和外设控制的器件，即由FPGA实现图像预处理功能，DSP实现图像处理算法和外设控制。由于图像数据量比较大，FPGA与DSP之间数据交互往往需要SRIO这种高速接口，这种高速接口对电路板设计要求高，而且DSP串行工作方式，导致对DSP性能要求比较高，从而成本高功耗大发热严重[5]。……