Se osoitettiin GoogLeNet Inception-v1 CNN: nä, kahdeksan bittisen kokonaislukutarkkuuden avulla. Se saavutti 16,8 teraoperaatiota sekunnissa (TOPS) ja voi päätellä yli 5300 kuvaa sekunnissa Xilinx Virtex UltraScale + XCVU9P-3 fpga -laitteella. Modulaarinen, skaalautuva lähestymistapa tekee siitä sopivan kohteiden havaitsemis- ja videoprosessointisovelluksiin reunalla ja pilvessä, Fawcett selitti, sekä päätellen tietokeskuksiin ja älykkäisiin kameroihin.

DPU voidaan konfiguroida tarjoamaan optimaalinen laskennallinen suorituskyky neuroverkkotopologioille koneoppimissovelluksissa käyttämällä rinnakkaista DSP-arkkitehtuuria, hajautettua muistia sekä logiikan ja yhteyksien uudelleenmääritettävyyttä eri algoritmeille.

DPU: n suorituskyky on yli 50% parempi kuin minkään muun kilpailevan CNN: n ja suorittaa GPU: t tietyllä virran tai kustannusbudjetilla, väittää yritys. "Fpga on maailmanlaajuinen foorumi ja arkkitehtuuri, joka on erittäin joustava tulevaisuuden todistamiseen ja voi ylittää AI: n GPU: t, pienemmällä viiveellä", lisäsi Fawcett.

Yhtiö on myös ilmoittanut tukevansa DPhiliä (PhD0 Oxfordin yliopistossa tutkimaan tekniikoita syvän oppimisen kiihdytyksen toteuttamiseksi fpgas-ohjelmissa. Työ tehdään yhteistyössä Omnitekin oman AI-laskentamoottorien ja algoritmien tutkimuksen kanssa.