1、目前在技术方面存在的困难及需解决的问题

图形处理器（GPU）是计算机显卡的核心芯片，也是高性能计算与深度学习的关键部件，软件生态是决定GPU产品应用的核心因素，任何一个成功的计算平台都需拥有广泛而丰富的软件生态系统。如NVIDIA的成功依赖于CUDA生态系统可用的工具、库、应用程序和合作伙伴，通过软件生态的建设，构筑了强大的技术壁垒，使竞争对手难以逾越和替换。由于没有企业可提供与国产GPU配套的软件开发平台，国内所有高端军事应用系统，自动驾驶、人工智能等民用领域，基本都采用NVIDIA的CUDA平台开发应用产品，同时，由于国外GPU厂商软件开发平台完全不支持国产计算机平台，在国产计算机平台上，根本无法开发高端GPU国产应用软件。

“安全与可靠”已成为国家信息产业发展的重要目标，目前计算软件的发展方向仍掌握在国外几个大公司手中，在国产GPU平台上构建自己的软件生态已经成为自主软件发展的重中之重。

2、相关技术指标或要求

针对公司最新研制的GPU开展计算软件栈建设，功能支持方面，需对开源计算框架进行功能适配，实现计算加速，将OpenCL接口融合到框架，达到应用兼容的目的。性能优化方面，针对其架构特点对计算库进行优化。

具体需求如下：

1) 常用计算库的移植与优化

利用OpenCL编程接口对主要计算库(优先使用具有自主知识产权的软件库，如果使用开源软件，必须具有与BSD相当的开源协议)进行移植与优化，包括clFFT、clBLAS、clDNN、clSPARSE、clLAPACK、clRNG。

要求能完整支持计算库的所有接口及功能，应用能保持接口兼容，相关接口性能达到AMD RX550同等水平。

2) 常用图像处理库的移植与优化

利用OpenCL编程接口对主要图像处理库进行移植与优化，包括OpenCV、OpenVX。

要求能完整支持图像处理库的所有接口及功能，应用能保持接口兼容，相关接口性能达到AMD RX550同等水平。

3) 主要深度学习框架的移植，适配与优化

利用OpenCL编程接口对主要深度学习框架进行二次开发(框架包括Tensorflow、Pytorch、Paddle)，将该GPU作为后端加速设备融入计算框架，提供对该CPU加速器高效的并行异构资源调度、自适应异构计算核心的任务映射以及多级存储的统一访问，实现GPU对常用算子的加速。将深度学习框架移植到主要国产操作系统和实时操作系统运行。

要求能在国产操作系统（包括Kylin，UOS等）平台上运行Tensorflow，Pytorch，Paddle框架，可以使用JM9200作为其加速设备。

要求能完整支持Tensorflow，Pytorch，Paddle框架提供的所有功能，能支持训练和推理，应用能保持接口兼容，相关接口性能达到AMD RX550同等水平。

3、期望合作方式及拟投入资金

可以多种形式进行合作，产权归属归双方共有或另行协商。

要求合作方在基于GPU的通用计算、图像处理或深度学习方面有较好的研究基础，有稳定的研究团队。

计划总投资1000万元。

4、预期成果及经济社会生态效益

预期成果为基于该 GPU的计算软件工具集，包括：（1）基于OpenCL1.2的常用计算库、图像处理库、深度学习框架。计算库包括：clFFT、clBLAS、clDNN、clSPARSE、clLAPACK、clRNG；图像处理库，包括：OpenCV、OpenVX；深度学习框架包括：Tensorflow、Pytorch、Paddle；（2）为支持以上计算库、图像处理库、深度学习框架所必要的IDE开发环境、调试工具等；（3）设计文档、测试报告、分析报告等。

以上成果可用于真实感图形生成、自动驾驶、人脸识别、智能计算等相对开放的民用领域，也可以用于大型航天工程测控、电磁频谱态势感知、分布式协同电子对抗、无人装备、卫星图像处理、电磁信号分选识别、军用地理信息系统构建等军事领域。

本项目的成果可以为用户提供与非国产GPU完全兼容的应用软件调用接口，缩短应用的开发周期，降低开发成本及应用迁移的难度，建立和培育国产GPU的软件生态；可以补齐国产计算环境的基础软件短板，解决行业痛点及“卡脖子”问题，建成和完善国产GPU计算软件应用创新研发体系，进一步增强自主创新能力。

5、企业概况

该公司成立于2006年，致力于信息探测、处理与传递领域的技术和综合应用，为客户提供高可靠、高品质的解决方案、产品和配套服务。产品涵盖高性能图形处理芯片（GPU），图形图像处理系统、图传数据链系统、小型雷达系统、电磁频谱产品等，广泛应用于高安全地、高可靠性和高可信度要求的专业领域。

6、联系电话

邓琦一13755113527 

1872403215@qq.com

李金懋13973184802 

313662118@qq.com