Onderzoekers van de Fukuoka University, in Japan, hebben onlangs een ontwerpmethodologie voorgesteld voor configureerbare benaderende rekenkundige circuits. Als onderdeel van hun studie hebben gepubliceerd op ResearchGate, ze pasten hun methode toe op een prototypesysteem voor beeldverwerking dat afhankelijk is van diepe neurale netwerken.

Approximate computing is een veelbelovende berekeningstechniek die afhankelijk is van het vermogen van veel systemen om enig kwaliteitsverlies of optimaliteit in berekende resultaten te tolereren. Door de behoefte aan precieze of volledig deterministische operaties te verminderen, het kan hoge prestaties bereiken met een lager energieverbruik.

Hoewel veel onderzoeken zich hebben gericht op benaderende rekenkundige circuits, configureerbare geschatte circuits zijn pas recentelijk interessant geworden. Een van de belangrijkste uitdagingen op dit gebied is het bepalen van parameters voor de configuraties van deze circuits, een taak die vaak moeilijk en vervelend kan zijn.

"Ons huidige onderzoek richt zich op benaderende rekenkundige circuits, "Toshinori Sato, een van de onderzoekers die het onderzoek heeft uitgevoerd, vertelde TechXplore. "Deze circuits ruilen computernauwkeurigheid in voor andere ontwerpbeperkingen zoals stroom, snelheid en grootte. Dit maakt ze toepassingsspecifiek, in plaats van voor algemene doeleinden. We hadden een eenvoudige ontwerpmethode nodig voor toepassingsspecifieke schakelingen die het nut van benaderende rekenkundige schakelingen zouden aantonen. We dachten dat neurale netwerken zouden kunnen helpen om circuitontwerpen te vergemakkelijken."

Onderzoek in het verleden naar configureerbare geschatte circuits heeft voornamelijk gekeken naar de circuitstructuur, zonder doelgegevens te onderzoeken. Dit maakt het voor ontwerpers onmogelijk om optimalisaties uit te voeren op basis van specifieke data. De methode bedacht door Sato en zijn collega's, anderzijds, is gericht op verwerkte gegevens, dus zowel toepassingen als hun gegevens tegelijkertijd in overweging nemen.

"We hebben ons prototype getraind om de relatie tussen circuitontwerpparameters en verwerkte beeldkwaliteit te identificeren, " legde Sato uit. "Na de training, het prototype was in staat om een ​​optimaal ontwerp te genereren uit configureerbare benaderende rekenkundige circuits, wanneer een specifieke afbeelding wordt verstrekt."

In het ontwerp voorgesteld door Sato en zijn collega's, de geschatte circuitgenerator houdt rekening met zijn doelgegevens, evenals enkele ontwerpbeperkingen en gebruikersvereisten. Hun aanpak behandelt ook geparametriseerde benaderende circuits, automatisch hun parameters bepalen. Dit verlost ontwerpers van de vervelende en tijdrovende taak om handmatig parameters te bepalen.

"Het meest kenmerkende aan onze methode is dat deze datagestuurd is, Sato zei. "Veel onderzoeken zijn gericht op een specifieke domeintoepassing, maar we zijn van mening dat slechts enkelen zowel toepassingen als hun gegevens tegelijkertijd in overweging nemen. Deze functie is belangrijk, omdat het uiteindelijk de wijdverbreide acceptatie van geschatte circuits zou kunnen vergemakkelijken."

De onderzoekers evalueerden hun methode, toepassen op een proof-of-concept diep neuraal netwerkgebaseerd prototype voor beeldverwerking. Hun ontwerp leverde veelbelovende resultaten op, het verwerken van afbeeldingen bijna net zo goed als traditionele benaderingen met aanzienlijke verbeteringen in kracht (33,28 procent), vertraging (5,67 procent) en gebied (21,86 procent).

"Ons prototype bevindt zich nog in een vroeg ontwikkelingsstadium, " zei Sato. "We moeten het nu verbeteren, zodat het rekening kan houden met meer behoeften van ontwerpers, zoals stroomverbruik, circuit vertraging en grootte. Bijgevolg, we willen de methodologie ook toepassen op andere toepassingen dan beeldverwerking."

© 2018 Wetenschap X Netwerk