密歇根大學(University of Michigan)研究人員開發的一項新技術，可以通過自動代碼轉換，使后摩爾定律(post-Moore’s Law)計算組件得到更廣泛的采用。該系統被稱為AutomataSynth，它允許軟件工程師在不需要專門的編程知識或重寫舊的、以cpu為中心的代碼的情況下，利用fpga等硬件加速器的力量。

隨著摩爾定律(Moore’s Law)的接近尾聲，企業和設計師們依靠大量硬件技術來規避新cpu帶來的收益遞減效應。其中最可行的短期候選是硬件加速器，如現場可編程門陣列(fpga)，它可以用于快速執行特定的通用功能，并消除大型應用程序中的瓶頸。

雖然像微軟和亞馬遜網絡服務這樣的公司已經很好地采用了FPGAs，但是FPGAs的使用受到了許多軟件開發人員不熟悉的編程需求的限制。這些需求還限制了它們在已存在的遺留軟件上的使用，這些軟件通常是專門針對cpu編寫的。

今天使用的大多數程序必須在非常低的級別上完全重寫，以獲得硬件加速的好處。因此，組件的安裝速度比實際使用速度要快。

領導該項目的博士研究生凱文?安斯塔德(Kevin Angstadt)表示:“企業正在采取措施，試圖讓(fpga)更容易被人們接受。但在編寫新程序方面，這個過程仍然非常原始。”

包括教授在內的這個團隊。Westley Weimer和Jean-Baptiste Jeannin試圖通過自動重寫許多大型應用程序使用的某些低級功能來打破這些采用障礙。這意味著開發人員只需在現有代碼中添加幾行代碼(不需要重寫)就可以充分利用fpga。

Angstadt將這個過程比作圖形處理單元(gpu)對通用計算的適應，最初是由NVIDIA的CUDA平臺實現的。CUDA為開發人員提供了一個接口，通過該接口，他們可以利用GPU處理非圖形任務的能力。

Angstadt說:“這項工作的目標是用fpga做類似的事情。”“當你使用它們時，你不能只是用同一種語言寫作，但我們可以給你一種用同一種語言寫作的錯覺。”

為了實現這一目標，研究人員使用了一種被稱為有界自動機學習的技術。該技術使用不同程序分析的組合來生成一個狀態機，該狀態機的功能與原始代碼相同，并且可以使用fpga加速。從本質上說，他們的系統讀取給定的代碼，學習代碼的功能，并將此行為的硬件描述寫入加速器。

在一篇關于這項工作的論文中，他們展示了他們在處理文本搜索和比較操作的一類函數——字符串內核上的技術。

Angstadt說:“當你搜索文本文檔時，你使用的是這些字符串內核中最原始的一種形式。”但它們可以更加復雜——功能對于垃圾郵件檢測、遺傳分析、產品推薦和粒子物理等多種應用程序來說是基礎。

在一個基準測試套件上運行AutomataSynth，這個基準測試套件是用真實的字符串函數編寫的，用來與cpu一起工作。

將這一技術應用于其他類型的函數仍然是一個有待進一步研究的開放問題，但Angstadt相信它可以被廣泛應用。

Angstadt說:“我們的研究表明，盡管除了我們所支持的函數之外，還有許多其他類型的函數存在，但是可以被重寫為字符串內核的應用程序比我們意識到的要多得多。”“所以我們可能仍然能夠應用類似的技術來支持更多類型的代碼。”

如果成功，我們將看到fpga成為通用計算的標準組件。

研究人員在論文《通過有界自動機學習加速遺留字符串內核》(Legacy String Kernels via Bounded Automata Learning)中展示了他們的發現，該論文被2020年編程語言和操作系統架構支持大會(ASPLOS)接受。