En ny omtrentlig databehandlingstilgang ved hjælp af CNN'er

Forskere ved Fukuoka University, i Japan, har for nylig foreslået en designmetode til konfigurerbare omtrentlige aritmetiske kredsløb. Som en del af deres studie, offentliggjort på ResearchGate, de anvendte deres metode til et prototypesystem til billedbehandling, der er afhængig af dybe neurale netværk.

Approximate computing er en lovende beregningsteknik, der er afhængig af mange systemers evne til at tolerere et vist tab af kvalitet eller optimalitet i beregnede resultater. Ved at reducere behovet for præcise eller helt deterministiske operationer, det kan opnå høj ydeevne med lavere energiforbrug.

Mens mange forskningsstudier har fokuseret på omtrentlige aritmetiske kredsløb, konfigurerbare omtrentlige kredsløb er først for nylig blevet af interesse. En af de vigtigste udfordringer på dette felt er at bestemme parametre for disse kredsløbs konfigurationer, en opgave, der ofte kan være svær og kedelig.

"Vores nuværende forskning fokuserer på omtrentlige aritmetiske kredsløb, "Toshinori Sato, en af ​​de forskere, der har udført undersøgelsen, fortalte TechXplore. "Disse kredsløb bytter beregningsnøjagtighed for andre designbegrænsninger såsom strøm, hastighed og størrelse. Dette gør dem applikationsspecifikke, snarere end til generelle formål. Vi havde brug for en nem designmetode til anvendelsesspecifikke kredsløb, der ville vise anvendeligheden af ​​omtrentlige aritmetiske kredsløb. Vi troede, at neurale netværk kunne hjælpe med at lette kredsløbsdesign."

Tidligere forskning i konfigurerbare omtrentlige kredsløb har hovedsageligt overvejet kredsløbsstruktur, uden at undersøge måldata. Dette gør det umuligt for designere at udføre optimeringer baseret på specifikke data. Metoden udviklet af Sato og hans kolleger, på den anden side, er orienteret mod behandlede data, dermed overveje både applikationer og deres data samtidigt.

"Vi trænede vores prototype til at identificere forholdet mellem kredsløbsdesignparametre og behandlet billedkvalitet, " forklarede Sato. "Efter træning, prototypen var i stand til at generere et optimalt design ud fra konfigurerbare omtrentlige aritmetiske kredsløb, når et specifikt billede leveres."

I designet foreslået af Sato og hans kolleger, den omtrentlige kredsløbsgenerator overvejer sine måldata, samt nogle designbegrænsninger og brugerkrav. Deres tilgang håndterer også parametriserede omtrentlige kredsløb, automatisk at bestemme deres parametre. Dette fritager designere fra den kedelige og tidskrævende opgave at manuelt bestemme parametre.

"Det mest karakteristiske træk ved vores metode er, at den er datastyret, " sagde Sato. "Mange undersøgelser har målrettet en specifik domæneapplikation, men vi mener, at kun få overvejer både applikationer og deres data samtidigt. Denne funktion er vigtig, da det i sidste ende kunne lette den udbredte anvendelse af omtrentlige kredsløb."

Forskerne vurderede deres metode, at anvende det på en proof-of-concept dyb neural netværksbaseret prototype til billedbehandling. Deres design gav lovende resultater, behandle billeder næsten lige så godt som traditionelle tilgange med betydelige forbedringer i kraft (33,28 procent), forsinkelse (5,67 procent) og areal (21,86 procent).

"Vores prototype er stadig på et tidligt udviklingsstadium, " sagde Sato. "Vi er nu nødt til at forbedre det, så det kan tage højde for flere behov hos designere, såsom strømforbrug, kredsløbsforsinkelse og størrelse. Følgelig, vi vil også gerne anvende metoden til andre applikationer ud over billedbehandling."

© 2018 Science X Network