Detail publikace

Design of Power-Efficient Approximate Multipliers for Approximate Artificial Neural Networks

MRÁZEK, V.; SARWAR, S.; SEKANINA, L.; VAŠÍČEK, Z.; ROY, K. Design of Power-Efficient Approximate Multipliers for Approximate Artificial Neural Networks. In Proceedings of the IEEE/ACM International Conference on Computer-Aided Design. Austin, TX: Association for Computing Machinery, 2016. p. 811-817. ISBN: 978-1-4503-4466-1.
Název česky
Návrh nízkopříkonových aproximačních násobiček pro aproximační neuronové sítě
Typ
článek ve sborníku konference
Jazyk
anglicky
Autoři
Mrázek Vojtěch, Ing., Ph.D. (UPSY)
Sarwar Syed Shakib
Sekanina Lukáš, prof. Ing., Ph.D. (UPSY)
Vašíček Zdeněk, doc. Ing., Ph.D. (UPSY)
Roy Kaushik
Klíčová slova

Approximate computing, Neural networks, Logic synthesis, Low power, Genetic programming

Abstrakt

Umělé neuronové sítě (NN) se ukázaly jako vhodné pro řešení složitých úloh jako je klasifikace obrazu či rozpoznávání řeči. I silně optimalizované hardwarové implementace digitálních NN vykazují poměrně velkou spotřebu elektrické energie, která je způsobena neuniformními zřetězenými strukturami a inherentní redundancí řady aritmetických operací, které musí být provedeny pro výpočet každého výstupního vektoru. Tento článek prezentuje metodologii určenou pro návrh optimalizovaných nízkopříkonových NN s uniformní strukturou HW implementace. Byla provedena analýza odolnosti vůči aritmetickým chybám, abychom mohli určit klíčová omezení pro návrh aproximačních násobiček využitých v NN. S využitím vyhledávací metody založené na genetickém programování byly navrženy násobičky vykazující různý poměr mezi maximální aritmetickou chybou a příkonem. NN využívající navržené násobičky byly vyhodnoceny pomocí standardní testovací sady MNIST a SVHN. Bylo dosaženo významného zlepšení spotřeby v obou případech při porovnání s přesnou NN. Například 91% redukce příkonu násobení vedla k poklesu přesnosti klasifikace méně než o 2.8 %. Tento článek navíc ukazuje schopnost back-propagation algoritmu pro učení NN trénovat i sítě s aproximačními násobičkami.

Rok
2016
Strany
811–817
Sborník
Proceedings of the IEEE/ACM International Conference on Computer-Aided Design
Konference
2016 IEEE / ACM International Conference On Computer Aided Design, Austin, TX, US
ISBN
978-1-4503-4466-1
Vydavatel
Association for Computing Machinery
Místo
Austin, TX
DOI
10.1145/2966986.2967021
UT WoS
000390297800081
EID Scopus
2-s2.0-85000949354
BibTeX 
@inproceedings{BUT133493,
  author="Vojtěch {Mrázek} and Syed Shakib {Sarwar} and Lukáš {Sekanina} and Zdeněk {Vašíček} and Kaushik {Roy}",
  title="Design of Power-Efficient Approximate Multipliers for Approximate Artificial Neural Networks",
  booktitle="Proceedings of the IEEE/ACM International Conference on Computer-Aided Design",
  year="2016",
  pages="811--817",
  publisher="Association for Computing Machinery",
  address="Austin, TX",
  doi="10.1145/2966986.2967021",
  isbn="978-1-4503-4466-1",
  url="https://www.fit.vut.cz/research/publication/11142/"
}
Soubory
Nahoru