Energy-Efficient Time-Domain Vector-by-Matrix Multiplier for Neurocomputing and Beyond
我们提出了一种非常节能的混合信号方法,用于在时域中执行向量乘矩阵乘法。在这样的实施方式中,输入和输出矢量元素的多位值用时间编码的数字信号表示,而多位矩阵权重用电流源(例如,在亚阈值状态下偏置的晶体管)实现。使用我们的方法,乘法器可以链接在一起,实现大规模的电路完全在时域。乘法器操作不依赖于消耗能量的静态电流,而静态电流对于传统混合信号实现的外围和输入/输出转换电路来说是典型的。作为一个案例研究,我们设计了一个多层感知器,基于两层的10 × 10四象限矢量矩阵乘法器,在55纳米工艺与嵌入式NOR闪存技术,它允许紧凑的可调电流源的实施。我们的分析,基于存储单元的测量,表明在高计算速度的漏致势垒降低是一个主要因素限制乘法器精度~6位。在55 nm工艺中设计的保守6位数字输入/输出NxN乘法器的布局后估计,包括用于在数字和时域表示之间转换的I/O电路,对于N>200显示约7 fJ/Op,其可以进一步降低到远低于1 fJ/Op,以实现更优化和更积极的设计。
2017-11-29 cs.AR
Ultra-Fast, High-Performance 8x8 Approximate Multipliers by a New Multicolumn 3,3:2 Inexact Compressor and its Derivatives
本文提出新型多列 3,3:2 非精确压缩器及系统化截断策略,设计两级部分积累加的 8×8 近似乘法器,速度较现有最快方案提升约 11.11%,并在图像锐化中表现良好。
2023-08-15 cs.AR
AMR-MUL: An Approximate Maximally Redundant Signed Digit Multiplier
在本文中,我们提出了一种节能,但高速近似最大冗余符号数(MRSD)乘法器(称为AMR-MUL)的基础上的并行结构。对于约简阶段,我们提出了几个近似的全加器(FA)约简细胞的平均正负误差通过简化的结构,一个确切的FA细胞。这些单元的最佳选择为每个部分产品减少阶段提供了最低的可能的错误,把这个任务变成一个设计空间探索问题。我们还提供了一种分支定界设计空间探索算法,以基于预定义的约束(即,近似部分的宽度)。在不同的位数和近似边界列下,评估了所提出的(基-16)乘法器设计的有效性。结果表明,MRSD乘法器的能量消耗减少了7倍,而精度损失为1.6%。
2022-08-29 cs.AR
AMG: Automated Efficient Approximate Multiplier Generator for FPGAs via Bayesian Optimization
本文提出AMG,一个基于贝叶斯优化与并行评估的FPGA自动化近似乘法器生成器,通过简化部分积压缩中的精确半加器并保留粗粒度累加,在可接受误差下显著降低硬件成本,相比已有1167个乘法器平均改进28.70%-38.47%。
2023-10-28 cs.AR
UFO-MAC: A Unified Framework for Optimization of High-Performance Multipliers and Multiply-Accumulators
本研究提出统一优化框架UFO-MAC,通过最优压缩器树、ILP优化及CPA非均匀到达时间利用,实现乘法器与乘累加器的高性能优化,效果优于现有基线与商用IP,适用于实际场景。
2024-08-13 cs.AR
Hardware-Efficient CNNs: Interleaved Approximate FP32 Multipliers for Kernel Computation
IIIT-Bangalore(印度信息科学与技术学院班加罗尔分校)
本研究提出利用交错排列的近似FP32乘法器进行CNN推理,通过近似压缩器降低硬件成本,并采用NSGA-II优化乘法器布局,以平衡精度与硬件效率。
2025-10-08 cs.AR
FPGA-Based Multiplier with a New Approximate Full Adder for Error-Resilient Applications
针对VLSI器件中乘法运算的速度与功耗瓶颈,提出采用新型近似加法器、可同时累加两位部分积的FPGA乘法器,在均值滤波器应用中实现了更低功耗与更高精度。
2025-06-11 cs.AR
Low Error-Rate Approximate Multiplier Design for DNNs with Hardware-Driven Co-Optimization
Fudan University(复旦大学)
本文提出了两种近似的3*3乘法器,在ASAP-7 nm工艺库上的综合结果表明,与精确乘法器相比,它们的面积分别减少了31.38%和36.17%,功耗分别减少了36.73%和35.66%。它们可以与2*2乘法器聚合,以基于DNN权重的分布产生具有低出错率的8*8乘法器。我们提出了一种硬件驱动的软件协同优化方法,通过再训练来提高DNN的精度。基于提出的两个近似3位乘法器,三个近似8位乘法器,具有较低的出错率设计DNN。与精确的8位无符号乘法器相比,我们的设计可以在公共数据集上实现比其他近似乘法器显著的优势。
2022-11-16 cs.AR cs.LG
Fast and Low-Cost Approximate Multiplier for FPGAs using Dynamic Reconfiguration
本文提出一种基于FPGA动态重配置LUT的近似乘法器,用于机器学习,在INT8精度下相比标准乘法器核节省64%-67%的LUT资源,且精度损失低于0.33%。
2023-10-16 cs.AR
RAPID: AppRoximAte Pipelined Soft Multipliers and Dividers for High-Throughput and Energy-Efficiency
容错应用的快速更新以及对高吞吐量的追求促使现场可编程门阵列(FPGA)设计快速近似功能单元。提出不精确函数技术的研究有三个缺点:第一,大多数不精确乘法器和除法器是专用于专用集成电路(ASIC)平台的。第二,最先进的(SoA)近似单元被替换,主要是在多内核应用程序的单个内核中。此外,端到端的评估采用的是结果的质量(QoR),而不是整体获得的性能。最后,现有的不精确的组件没有被设计为支持流水线方法,流水线方法可以提高操作频率/吞吐量,包括分区的应用程序。在本文中,我们提出了快速,第一个流水线近似乘法器和除法器的架构,定制的FPGA。所提出的单元有效地利用6输入查找表(6-LUT)和快速进位链来实现Mitchell的近似算法。我们的新的误差细化方案不仅具有可以忽略不计的开销在基线米切尔的方法,但也提高了其准确性为99.4%的任意大小的乘法和除法。实验结果表明,建议的流水线和非流水线的快速乘法器和除法器的效率准确的同行。此外,在生物信号处理、图像处理和无人机(UAV)移动目标跟踪领域的三个多内核应用中部署的RAPID的端到端评估表明,与精确内核相比,面积、延迟和面积延迟乘积(ADP)分别提高了45%,而QoR的损失可以忽略不计。
2022-06-28 cs.AR
HEAM: High-Efficiency Approximate Multiplier Optimization for Deep Neural Networks
State Key Laboratory of ASIC & System, Fudan University(复旦大学专用集成电路与系统国家重点实验室)
提出一种根据操作数分布最小化平均误差的近似乘法器自动设计优化方法,在几乎不损失准确率的前提下显著降低DNN的面积、功耗和延迟。
2023-10-25 cs.AI cs.AR
ApproxTrain: Fast Simulation of Approximate Multipliers for DNN Training and Inference
UNSW Sydney(悉尼新南威尔士大学);University of Notre Dame(圣母大学);Garvan Institute of Medical Research(加文医学研究所);AMD(超威半导体)
深度神经网络(DNN)的边缘训练是连续学习的理想目标;然而,它受到训练所需的巨大计算能力的阻碍。硬件近似乘法器在DNN推理加速器中显示出其获得资源效率的有效性;然而,使用近似乘法器进行训练在很大程度上尚未探索。为了构建具有支持DNN训练的近似乘法器的资源高效加速器,需要对不同DNN架构和不同近似乘法器的训练收敛性和准确性进行全面评估。本文介绍了ApproxTrain,这是一个开源框架,允许使用模拟近似乘法器快速评估DNN训练和推理。ApproxTrain与TensorFlow(TF)一样用户友好,只需要DNN架构的高级描述以及近似乘法器的C/C++功能模型。我们通过使用一种新的基于LUT的近似浮点(FP)乘法器模拟器在GPU(AMSim),提高了在乘法器级的模拟速度。ApproxTrain利用CUDA并有效地将AMSim集成到TensorFlow库中,以克服商业GPU中缺乏原生硬件近似乘法器的问题。我们使用ApproxTrain来评估DNN训练的收敛性和准确性,其中使用LeNets和ResNets架构的小型和大型数据集(包括ImageNet)的近似乘法器。评估表明,与FP 32和bfloat 16乘法器相比,收敛行为相似,测试精度变化可忽略不计。与基于CPU的近似乘法器模拟相比,GPU加速的ApproxTrain的训练和推理速度快2500倍以上。基于高度优化的闭源cuDNN/cuB…
2022-09-23 cs.AI cs.AR cs.LG
On the Approximation of Accuracy-configurable Sequential Multipliers via Segmented Carry Chains
在本文中,我们提出了一个乘法器的基础上的序列的近似积累。根据进位链的给定分裂点,本文介绍的技术允许改变累加的质量,从而改变整个乘积。我们的近似乘法器权衡精度为减少延迟(相对于一个准确的顺序乘法器),并利用固有的面积节省顺序组合的方法。我们实现了具有不同位宽和精度配置的多个版本,针对FPGA和45 nm ASIC来估计资源,功耗和延迟。我们还提出了两个误差分析所提出的设计的基础上封闭形式的分析和仿真。
2021-05-25 cs.AR
AdAM: Adaptive Fault-Tolerant Approximate Multiplier for Edge DNN Accelerators
University of Zanjan(赞詹大学);Mälardalen University(梅拉达伦大学);Tallinn University of Technology(塔林理工大学)
本研究提出了一款名为AdAM的新型自适应容错近似乘法器架构,专门适配基于ASIC的边缘DNN加速器。
2024-03-05 cs.AI cs.AR cs.LG
Hardware-Efficient Accurate 4-bit Multiplier for Xilinx 7 Series FPGAs
Graduate School of Science and Technology, Faculty of Engineering, Shinshu University(长野大学理工学部工学研究科);Shinshu University(长野大学)
针对FPGA上并行低比特宽运算,提出仅用11个LUT和2个CARRY4的精确4位乘法器,减少1个LUT并缩短关键路径,延迟2.750ns。
2026-10-20 cs.AR
HADES: Hardware/Algorithm Co-design in DNN accelerators using Energy-efficient Approximate Alphabet Set Multipliers
提出基于字母集乘法器原理的低复杂度近似乘加单元的电路-算法协同设计HADES,通过无乘法器实现、字母感知训练及内存/近内存计算,在保持准确率的同时大幅降低DNN的能耗与数据移动成本。
2023-10-23 cs.AR
FAME: An FPGA-Based Platform for Approximate Multipliers Evaluation with Pattern-Guided DNN Retraining
University of Glasgow(格拉斯哥大学);Heidelberg University(海德堡大学)
提出基于FPGA的FAME平台,直接硬件实现近似乘法器,加速DNN评估,并结合模式引导重训练恢复精度,在ImageNet上实现3.47倍加速和65.5%精度提升。
2026-10-16 cs.AR cs.LG cs.PF
Low Power Approximate Multiplier Architecture for Deep Neural Networks
School of Computing(计算学院);Electrical Engineering(电气工程);Indian Institute of Technology Mandi(印度理工学院曼迪)
本研究提出一种集成单误差4:2压缩器的8×8低功耗近似乘法器,用于DNN定制卷积层,在图像任务中兼顾精度与能效,最高节能30.24%,适用于低功耗AI硬件。
2025-08-31 cs.AI cs.AR
Leveraging Highly Approximated Multipliers in DNN Inference
University of Patras(帕特雷大学);University of Calabria(卡拉布里亚大学);Eastern Michigan University(东密歇根大学);Southern Illinois University Carbondale(南伊利诺伊大学卡本代尔分校);Technical University of Munich (TUM)(慕尼黑工业大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文提出一种无需重训练的控制变量近似技术,使DNN加速器能利用高度近似乘法器,在降低功耗的同时显著减少近似误差并提升推理准确率。
2024-12-21 cs.AR cs.LG
HPR-Mul: An Area and Energy-Efficient High-Precision Redundancy Multiplier by Approximate Computing
针对TMR乘法器面积能耗开销大且表决器易受软错误影响的问题,提出基于近似计算的HPR-Mul,利用全精度与降精度模块及公式化简单表决器,显著降低面积、功耗并提升容错能力。
2024-10-26 cs.AR
An Architectural Error Metric for CNN-Oriented Approximate Multipliers
本研究分析了AM-CNN中的错误传播,提出架构平均错误(AME)度量评估精度下降,实验证明其优于其他度量,基于AME的二次回归模型能高效预测AM-CNN精度,比GPU仿真快约$10^{6}\ imes$。
2024-08-23 cs.AR
Energy-Efficient and Fast Memristor-based Serial Multipliers Applicable in Image Processing
本文提出基于串行IMPLY逻辑的无符号和有符号阵列乘法器,通过引入部分积单元和重叠计算步骤,显著降低了计算步骤、能耗和忆阻器需求,并在图像处理应用中验证了其有效性。
2024-10-13 cs.AR cs.ET eess.IV
Implementation of a 8-bit Wallace Tree Multiplier
本文介绍8位Wallace树乘法器在Cadence Virtuoso中基于gpdk45工艺的原理图与版图设计,并扩展到16位组合MAC单元,旨在降低电路深度复杂度。
2025-09-11 cs.AR cs.SY eess.SY
Approximate Signed Multiplier with Sign-Focused Compressor for Edge Detection Applications
Indian Institute of Technology, Mandi(印度技术学院曼迪分校);Sri Sivasubramaniya Nadar College of Engineering, Chennai(斯里西瓦苏布拉马尼亚纳达尔工程学院);GVP College of Engineering, Visakhapatnam(GVP工程学院)
本文提出一种带符号聚焦压缩器的近似有符号乘法器,通过截断部分积和误差补偿,在边缘检测应用中实现功耗延迟积降低29.21%、功耗降低14.39%。
2025-10-26 cs.AR cs.IT eess.IV
Design of a Reformed Array Logic Binary Multiplier for High-Speed Computations
本文提出一种基于改进型阵列逻辑的二进制乘法器设计,利用多路复用器、桶形移位器及CSA与RCA组合加速部分积运算,在Cadence Virtuoso上实现了16位无符号数乘法,设计模块化且可扩展至任意n位。
2024-09-24 cs.AR
TRAM: Training Approximate Multiplier Structures for Low-Power AI Accelerators
Eindhoven University of Technology(埃因霍温理工大学);University of California, Los Angeles(加州大学洛杉矶分校);Chinese University of Hong Kong(香港中文大学);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
TRAM通过联合优化近似乘法结构与AI模型参数,实现低功耗与小精度损失的平衡,实验显示在CNN和视觉Transformer上分别达到25.05%和27.09%的功耗降低。
2026-05-06 cs.AI cs.AR cs.LG
DAISM: Digital Approximate In-SRAM Multiplier-based Accelerator for DNN Training and Inference
Keio University(庆应义塾大学);RIKEN Center for Computational Science(理化学研究所计算科学研究中心)
本文提出DAISM架构,通过在传统SRAM中实现数字近似乘法器并利用多字线激活进行位并行计算,显著提升DNN训练与推理的面积效率。
2024-01-18 cs.AR cs.LG
SIMDive: Approximate SIMD Soft Multiplier-Divider for FPGAs with Tunable Accuracy
Technische Universität Dresden(德累斯顿工业大学)
在无处不在的多媒体和深度神经网络(DNN)应用中,对数据级并行性和可变精度的不断增长的追求促使了单指令多数据(SIMD)架构的使用。为了缓解能源作为其主要资源的限制,近似计算已经重新出现,尽管主要是专门用于其专用集成电路(ASIC)实现。本文首次提出了一种面向现场可编程门阵列(FPGA)的SIMD结构,该结构基于新颖的可调精度乘法器和除法器。建议的混合架构实现米切尔的算法,并支持精度变化从8位到32位。从Vivado,多媒体和DNN应用程序获得的实验结果表明,所提出的架构(SISD和SIMD)的优越性,准确和国家的最先进的近似同行。特别是,所提出的SISD分频器优于Xilinx提供的精确知识产权(IP)分频器,具有4倍的速度和4.6倍的能量,并且仅容许< 0.8%的误差。此外,所提出的SIMD乘除器取代准确的SIMD乘法器,实现了高达26%,45%,36%和56%的面积,吞吐量,功率和能量的改善,分别。
2020-11-02 cs.AR cs.LG eess.IV
Positive/Negative Approximate Multipliers for DNN Accelerators
Southern Illinois University(南伊利诺伊大学);University of Stuttgart(斯图加特大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
最近的深度神经网络(DNN)在许多人工智能任务上都达到了超人的准确度。一些应用越来越依赖DNN来提供复杂的服务,DNN加速器正在成为现代片上系统的组成部分。DNN每个推理执行数百万次算术运算,DNN加速器集成了数千个乘法累加单元,导致能源需求增加。近似计算的原则,采用显着降低DNN加速器的能量消耗,在一些精度损失的代价。然而,最近的研究表明,复杂的DNN对近似越来越敏感。因此,当以严格的精度约束为目标时,所获得的能量节省通常是有限的。在这项工作中,我们提出了一个动态配置的近似乘法器,支持三种操作模式,即,精确、正误差和负误差。此外,我们提出了一种面向滤波器的近似方法,将权重映射到近似乘子的适当模式。我们的映射算法平衡了由于近似乘法产生的正负误差,旨在最大限度地减少能量,同时最小化总体卷积误差。我们在多个DNN和数据集上对我们的方法进行了评估,其中我们的方法在4个不同数据集上的7个NN上平均获得了18.33%的能量增益,最大精度下降仅为1%。
2021-07-20 cs.AR cs.LG
RUCA: RUntime Configurable Approximate Circuits with Self-Correcting Capability
近似计算是一种新兴的计算范式,它通过放松对全精度的要求来提供改进的功耗。由于实际应用对设计精度的要求不同,近似计算的一个发展趋势是设计运行时质量可配置的电路,这些电路能够以不同的功耗在不同的精度模式下工作。在本文中,我们提出了一种新的框架RUCA,其目的是近似任意输入电路在运行时可配置的方式。通过分解和分解的真值表,我们的方法的目的是近似和分离的输入电路到多个配置块,支持不同的精度水平,包括校正电路,以恢复全精度。通过激活不同的块,近似电路能够在不同的精度-功率配置下运行。为了提高我们的算法的可扩展性,我们还提供了一个设计空间探索计划与电路分区导航的搜索空间的可能近似的子电路在设计时。我们在一组基准上彻底评估我们的方法,并与另一种质量可配置的方法进行比较,展示RUCA的优势和灵活性。对于3级设计,RUCA在1%误差内平均节省功耗36.57%,在2%误差内平均节省功耗51.32%。
2022-07-01 cs.AR
ObfAx: Obfuscation and IP Piracy Detection in Approximate Circuits
Brno University of Technology(布尔诺理工大学)
本文提出ObfAx框架,通过统计误差分析检测近似电路中的知识产权盗版,分析不同近似乘法器对混淆攻击的抗性。
2026-05-11 cs.AR cs.CR
Designing Approximate Arithmetic Circuits with Combined Error Constraints
Brno University of Technology(布尔诺理工大学)
针对现有近似电路设计方法多聚焦单一误差指标、适用性受限的问题,该研究扩展进化驱动技术以探索设计空间,实验分析多误差指标组合对功耗降低的影响,明确相关限制与指标关联,实现功耗与组合误差约束的最优权衡。
2022-06-27 cs.AR
Accuracy-Configurable Floating-Point Multiplier Design for SRAM-Based Compute-in-Memory
Nanjing University of Science and Technology(南京理工大学)
针对SRAM存内计算中浮点运算的高开销问题,提出一种基于尾数分割的近似浮点乘法器,实现面积和功耗大幅降低且精度损失可忽略。
2026-06-07 cs.AR
Multiplierless Approximate 4-point DCT VLSI Architectures for Transform Block Coding
Universidade Federal de Santa Maria(圣玛丽亚联邦大学);Universidade Federal de Pernambuco(伯南布哥联邦大学);The University of Akron(阿克伦大学)
本文提出两种无乘法器算法用于4x4近似DCT变换编码,利用Xilinx FPGA实现1-D/2-D架构,45nm工艺在1GHz下实现125MHz块速率,动态功耗低于120mW。
2014-05-02 cs.AR cs.MM cs.NA
Approximate Multiplier Induced Error Propagation in Deep Neural Networks
The University of Sydney(悉尼大学);University of New South Wales(新南威尔士大学)
本文提出一个分析框架,用于研究近似乘法器误差对深度神经网络准确性的影响,通过统计误差矩与失真关系的建模,提供快速估算方法。
2025-12-06 cs.AR cs.LG
BLASYS: Approximate Logic Synthesis Using Boolean Matrix Factorization
近似计算是一种新兴的范例,其中设计精度可以与设计度量(诸如设计面积、功耗或电路复杂性)中的益处相权衡。在这项工作中,我们提出了一种新的范例,综合近似电路使用布尔矩阵分解(BMF)。在我们的方法的真值表的子电路的设计近似使用BMF到一个可控的近似度,和因式分解的结果被用来合成一个不太复杂的子电路。为了将我们的技术扩展到大型电路,我们设计了一种电路分解方法和子电路设计空间探索技术,以确定子电路近似的最佳顺序。我们的方法导致一个平滑的权衡精度和完整的电路复杂性的设计面积和功耗。使用工业强度的设计流程,我们广泛地评估我们的方法在一些测试案例中,我们证明,所提出的方法可以实现高达63%的节能,同时引入5%的平均相对误差。我们还比较了我们的工作,以前的工作在布尔电路综合和证明显着改善设计指标相同的精度目标。
2018-05-15 cs.AR
Reversible Squaring Circuit For Low Power Digital Signal Processing
随着低功耗数字系统的要求越来越高,数字系统中的能量耗散是限制因素之一。可逆逻辑是减少数字电路中热量/能量耗散的替代方法之一,在生物信息学、光学信息处理、CMOS设计等方面有着非常重要的意义。本文作者提出了一种新的2位二进制平方电路的设计,该电路应用于大多数数字信号处理硬件中,使用Feynman & MUX门。所提出的平方电路具有较少的垃圾输出,恒定的输入,量子成本和总的逻辑计算,即更少的延迟相比,通过可逆乘法器的平方操作的传统方法。文中给出了仿真结果和量化结果,与以往的设计方法相比,有了很大的改进。
2014-12-17 cs.AR
Crosstalk based Fine-Grained Reconfiguration Techniques for Polymorphic Circuits
真正的多态电路,其功能/电路行为可以使用控制变量来改变,可以在多功能系统设计和资源共享中提供巨大的好处。对于安全和容错的硬件设计,这些也是至关重要的。到目前为止,文献中的多晶电路工作依赖于诸如温度、变化等的环境参数,或者依赖于诸如双极FET、可配置磁性器件等的特殊器件,这通常导致性能和/或实现效率低下。在本文中,我们介绍了一种新的多态电路设计方法,利用纳米金属线之间的确定性干扰进行逻辑计算和配置。对于计算,所提出的方法依赖于纳米金属线,它们的干扰和常用的FET,而对于多态性,它只需要一条携带控制信号的额外金属线。在本文中,我们展示了广泛的串扰多态(CT-P)逻辑门和他们的评估结果。我们还展示了一个大型电路的例子,该电路根据配置信号执行乘法器和排序器的功能。本文介绍了我们的基准测试结果。对于CT-P,与其他现有方法相比,晶体管数量显着减少,范围从25%到83%。例如,CT-P AOI 21-OA 21单元显示出83%、85%和50%的晶体管计数减少,而MultiplierSorter电路显示出40%、36%和28%的晶体管计数减少,分别相对于CMOS、基因进化和基于双极晶体管的多态电路。
2018-07-04 cs.AR cs.ET
RL-MUL 2.0: Multiplier Design Optimization with Parallel Deep Reinforcement Learning and Space Reduction
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文提出RL-MUL 2.0框架,利用并行深度强化学习、矩阵张量表示和设计空间剪枝优化乘法器及融合乘加设计,在面积、功耗和延迟上全面超越基线。
2024-12-27 cs.AR cs.LG
Power-Area Efficient Serial IMPLY-based 4:2 Compressor Applied in Data-Intensive Applications
针对数据密集型应用的存储墙瓶颈,提出基于串行忆阻IMPLY的4:2压缩器并构建新型乘法器,在面积、能耗和速度等指标上较现有方案有显著提升。
2024-07-13 cs.AR cs.ET
Explainable AI-Guided Efficient Approximate DNN Generation for Multi-Pod Systolic Arrays
University of Missouri(密苏里大学)
针对近似乘法器仿真效率低拖慢AxDNN优化的问题,提出结合硬件分析模型与XAI的XAI-Gen方法,可快速筛选近似层与乘法器,实现7倍能耗降低且精度损失仅1-2%,还可赋能XAI-NAS实现更高效的AxDNN架构搜索。
2025-03-20 cs.AI cs.AR cs.LG
AdaPT: Fast Emulation of Approximate DNN Accelerators in PyTorch
National Technical University of Athens(雅典国立技术大学);Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
当前最先进的技术采用近似乘法器来解决DNN加速器的高度增加的功率需求。然而,由于DNN框架中缺乏对近似算法的足够支持,评估近似DNN的准确性是很麻烦的。我们通过提出AdaPT来解决这种效率低下的问题,AdaPT是一个快速仿真框架,它扩展了PyTorch以支持近似推理和近似感知再训练。AdaPT可以无缝部署,并与大多数DNN兼容。我们评估了几个DNN模型和应用领域的框架,包括CNN,LSTM和GANs,用于一些具有不同位宽值的近似乘法器。结果显示,近似重新训练的错误恢复显著,并且相对于基线近似实现,推理时间减少了53.9倍。
2022-10-11 cs.AR cs.LG
A Reconfigurable Multiplier Architecture for Error-Resilient Applications in RISC-V Core
Indian Institute of Technology Mandi(印度理工学院曼迪分校)
本文提出一种可重构乘法器架构,用于在能量受限的边缘AI应用中实现高效神经网络推理。该架构支持精确和近似计算,通过专用mulscr实现多精度配置,实现44%-68%的能耗降低,同时保持1.89 DMIPS/MHz的计算性能。
2026-05-09 cs.AI cs.AR
Variability-Aware Approximate Circuit Synthesis via Genetic Optimization
针对工艺变异导致的时序保护带问题,提出基于遗传优化、与电路无关的自动化近似电路综合框架,并利用校准的Intel 14nm FinFET变异感知单元库实现无保护带高性能可靠设计。
2023-12-23 cs.AR cs.NE
Co-Design of Approximate Multilayer Perceptron for Ultra-Resource Constrained Printed Circuits
National Technical University of Athens(雅典国立技术大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);University of Patras(帕特雷大学)
印刷电子(PE)因其增材制造工艺而展示出按需、极低成本的硬件,使机器学习(ML)应用能够应用于硅基系统无法满足的超低成本、一致性和无毒要求的领域。然而,PE中的大特征尺寸禁止实现复杂的印刷ML电路。在这项工作中,我们提出,第一次,一个自动化的印刷感知的软件/硬件协同设计框架,利用近似计算原理,使超资源约束的印刷多层感知器(MLP)。我们的评估表明,与最先进的基线相比,我们的电路的面积(功耗)平均降低了6倍(5.7倍),精度损失不到1%。
2023-02-28 cs.AR cs.LG