Wave Digital Filters (WDFs) have proven to be instrumental for Virtual Analog (VA) modeling, as their modularity and computational efficiency allow for the digital implementation of complex nonlinear audio circuits. However, when multiple nonlinear elements are present, delay-free loops may arise, typically requiring iterative solvers whose computational cost can hinder real-time applications. Recently, hybrid approaches combining WDFs and neural networks have been proposed to overcome this limitation, approximating the nonlinear scattering relations offline and enabling fully explicit implementations. In this thesis, we investigate the implementation of such neural WDF models on Field-Programmable Gate Arrays (FPGAs), with the aim of enabling efficient real-time processing. First, we propose a circuit-aware strategy for training neural networks modeling multi-port nonlinear blocks, where training data are generated by considering only the operating region that can actually be reached by the nonlinear block within the reference circuit. For the considered four-port case, such a region accounts for less than 0.05% of the entire space, and the proposed training strategy achieves an NMSE 389 times lower than uniform sampling when evaluated within the complete WDF. Then, we introduce a parameterizable hardware architecture tailored to the implementation of explicit hybrid WDFs. By expressing both the scattering operations and neural layers in terms of matrix-vector products, the same bank of multiply-accumulate units can be shared throughout the processing chain, leading to a constant computational cost for each audio sample. The proposed architecture is implemented on a Zynq-7000 FPGA and accommodates five selectable circuit models within the same bitstream. Experimental results show that the processor requires only 20.4% of the available sample period at 96 kHz, while the measured output of the implemented models matches their fixed-point simulation at a mean NMSE of 0.065. Finally, an end-to-end latency of 73 µs is measured at the audio interface, of which only 2.1 µs is introduced by the proposed processor. These results demonstrate the potential of the proposed architecture for deploying complex neural VA models on resource-constrained hardware while meeting the strict latency requirements of real-time audio processing.

I wave digital filter (WDF) si sono dimostrati fondamentali per la modellazione virtual analog (VA), poiché la loro modularità ed efficienza computazionale consentono l'implementazione digitale di circuiti audio non lineari complessi. Tuttavia, in presenza di più elementi non lineari possono insorgere delay-free loop, che richiedono tipicamente l'impiego di metodi iterativi il cui costo computazionale può ostacolare le applicazioni in tempo reale. Recentemente, per superare questa limitazione, sono stati proposti approcci ibridi che combinano i WDF con le reti neurali, approssimando offline le relazioni di scattering non lineari e rendendo possibili implementazioni completamente esplicite. In questa tesi studiamo l'implementazione di tali modelli WDF neurali su field-programmable gate array (FPGA), con l'obiettivo di consentire un'elaborazione efficiente in tempo reale. In primo luogo, proponiamo una strategia consapevole del circuito per l'addestramento di reti neurali che modellano blocchi non lineari multi-porta, in cui i dati di addestramento sono generati considerando soltanto la regione di funzionamento effettivamente raggiungibile dal blocco non lineare all'interno del circuito di riferimento. Nel caso a quattro porte considerato, tale regione occupa meno dello 0,05 % dell'intero spazio, e la strategia di addestramento proposta ottiene un errore quadratico medio normalizzato (NMSE) 389 volte inferiore rispetto al campionamento uniforme, quando valutata all'interno del WDF completo. Introduciamo poi un'architettura hardware parametrizzabile, progettata specificamente per l'implementazione di WDF ibridi espliciti. Esprimendo sia le operazioni di scattering sia i livelli neurali in termini di prodotti matrice-vettore, lo stesso banco di unità di moltiplicazione e accumulo può essere condiviso lungo l'intera catena di elaborazione, con un costo computazionale costante per ogni campione audio. L'architettura proposta è implementata su una FPGA Zynq-7000 e ospita cinque modelli circuitali selezionabili all'interno dello stesso bitstream. I risultati sperimentali mostrano che il processore richiede soltanto il 20,4 % del periodo di campionamento disponibile a 96 kHz, mentre l'uscita misurata dei modelli implementati corrisponde alla simulazione in virgola fissa, con un NMSE medio pari a 0,065. Infine, la latenza complessiva misurata all'interfaccia audio è di 73 µs, di cui soltanto 2,1 µs sono introdotti dal processore proposto. Questi risultati dimostrano le potenzialità dell'architettura proposta per l'implementazione di modelli VA neurali complessi su hardware con risorse limitate, nel rispetto dei severi requisiti di latenza dell'elaborazione audio in tempo reale.

Optimizing FPGA deployment of explicit wave digital filters for virtual analog applications

Abouelazm, Youssef Khaled Shamseldin
2025/2026

Abstract

Wave Digital Filters (WDFs) have proven to be instrumental for Virtual Analog (VA) modeling, as their modularity and computational efficiency allow for the digital implementation of complex nonlinear audio circuits. However, when multiple nonlinear elements are present, delay-free loops may arise, typically requiring iterative solvers whose computational cost can hinder real-time applications. Recently, hybrid approaches combining WDFs and neural networks have been proposed to overcome this limitation, approximating the nonlinear scattering relations offline and enabling fully explicit implementations. In this thesis, we investigate the implementation of such neural WDF models on Field-Programmable Gate Arrays (FPGAs), with the aim of enabling efficient real-time processing. First, we propose a circuit-aware strategy for training neural networks modeling multi-port nonlinear blocks, where training data are generated by considering only the operating region that can actually be reached by the nonlinear block within the reference circuit. For the considered four-port case, such a region accounts for less than 0.05% of the entire space, and the proposed training strategy achieves an NMSE 389 times lower than uniform sampling when evaluated within the complete WDF. Then, we introduce a parameterizable hardware architecture tailored to the implementation of explicit hybrid WDFs. By expressing both the scattering operations and neural layers in terms of matrix-vector products, the same bank of multiply-accumulate units can be shared throughout the processing chain, leading to a constant computational cost for each audio sample. The proposed architecture is implemented on a Zynq-7000 FPGA and accommodates five selectable circuit models within the same bitstream. Experimental results show that the processor requires only 20.4% of the available sample period at 96 kHz, while the measured output of the implemented models matches their fixed-point simulation at a mean NMSE of 0.065. Finally, an end-to-end latency of 73 µs is measured at the audio interface, of which only 2.1 µs is introduced by the proposed processor. These results demonstrate the potential of the proposed architecture for deploying complex neural VA models on resource-constrained hardware while meeting the strict latency requirements of real-time audio processing.
ING - Scuola di Ingegneria Industriale e dell'Informazione
20-ott-2026
2025/2026
I wave digital filter (WDF) si sono dimostrati fondamentali per la modellazione virtual analog (VA), poiché la loro modularità ed efficienza computazionale consentono l'implementazione digitale di circuiti audio non lineari complessi. Tuttavia, in presenza di più elementi non lineari possono insorgere delay-free loop, che richiedono tipicamente l'impiego di metodi iterativi il cui costo computazionale può ostacolare le applicazioni in tempo reale. Recentemente, per superare questa limitazione, sono stati proposti approcci ibridi che combinano i WDF con le reti neurali, approssimando offline le relazioni di scattering non lineari e rendendo possibili implementazioni completamente esplicite. In questa tesi studiamo l'implementazione di tali modelli WDF neurali su field-programmable gate array (FPGA), con l'obiettivo di consentire un'elaborazione efficiente in tempo reale. In primo luogo, proponiamo una strategia consapevole del circuito per l'addestramento di reti neurali che modellano blocchi non lineari multi-porta, in cui i dati di addestramento sono generati considerando soltanto la regione di funzionamento effettivamente raggiungibile dal blocco non lineare all'interno del circuito di riferimento. Nel caso a quattro porte considerato, tale regione occupa meno dello 0,05 % dell'intero spazio, e la strategia di addestramento proposta ottiene un errore quadratico medio normalizzato (NMSE) 389 volte inferiore rispetto al campionamento uniforme, quando valutata all'interno del WDF completo. Introduciamo poi un'architettura hardware parametrizzabile, progettata specificamente per l'implementazione di WDF ibridi espliciti. Esprimendo sia le operazioni di scattering sia i livelli neurali in termini di prodotti matrice-vettore, lo stesso banco di unità di moltiplicazione e accumulo può essere condiviso lungo l'intera catena di elaborazione, con un costo computazionale costante per ogni campione audio. L'architettura proposta è implementata su una FPGA Zynq-7000 e ospita cinque modelli circuitali selezionabili all'interno dello stesso bitstream. I risultati sperimentali mostrano che il processore richiede soltanto il 20,4 % del periodo di campionamento disponibile a 96 kHz, mentre l'uscita misurata dei modelli implementati corrisponde alla simulazione in virgola fissa, con un NMSE medio pari a 0,065. Infine, la latenza complessiva misurata all'interfaccia audio è di 73 µs, di cui soltanto 2,1 µs sono introdotti dal processore proposto. Questi risultati dimostrano le potenzialità dell'architettura proposta per l'implementazione di modelli VA neurali complessi su hardware con risorse limitate, nel rispetto dei severi requisiti di latenza dell'elaborazione audio in tempo reale.
File allegati
File Dimensione Formato  
Executive_Summary.pdf

non accessibile

Descrizione: Executive Summary of the Thesis
Dimensione 1.13 MB
Formato Adobe PDF
1.13 MB Adobe PDF   Visualizza/Apri
Thesis.pdf

non accessibile

Descrizione: The thesis titled "Optimizing FPGA Deployment of Explicit Wave Digital Filters for Virtual Analog Applications"
Dimensione 3.18 MB
Formato Adobe PDF
3.18 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/266838