• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  • Uma nova abordagem de computação aproximada usando CNNs
    p Crédito:Ishida, Sato e Ukezono.

    p Pesquisadores da Universidade de Fukuoka, no Japão, propuseram recentemente uma metodologia de projeto para circuitos aritméticos aproximados configuráveis. Como parte de seu estudo, publicado no ResearchGate, eles aplicaram seu método a um sistema de protótipo para processamento de imagens que se baseia em redes neurais profundas. p A computação aproximada é uma técnica de computação promissora que depende da capacidade de muitos sistemas de tolerar alguma perda de qualidade ou otimização nos resultados computados. Ao reduzir a necessidade de operações precisas ou totalmente determinísticas, pode atingir alto desempenho com menor consumo de energia.

    p Embora muitos estudos de pesquisa tenham se concentrado em circuitos aritméticos aproximados, circuitos aproximados configuráveis ​​só recentemente se tornaram de interesse. Um dos principais desafios neste campo é determinar parâmetros para as configurações desses circuitos, uma tarefa que muitas vezes pode ser difícil e tediosa.

    p "Nossa pesquisa atual se concentra em circuitos aritméticos aproximados, "Toshinori Sato, um dos pesquisadores que realizou o estudo, disse TechXplore. "Esses circuitos trocam a precisão da computação por outras restrições de design, como potência, velocidade e tamanho. Isso os torna específicos do aplicativo, em vez de para fins gerais. Precisávamos de um método de projeto fácil para circuitos específicos de aplicação que mostrasse a utilidade dos circuitos aritméticos aproximados. Achamos que as redes neurais poderiam ajudar a facilitar os projetos de circuitos. "

    p Pesquisas anteriores em circuitos aproximados configuráveis ​​consideraram principalmente a estrutura do circuito, sem examinar os dados do alvo. Isso torna impossível para os designers realizar otimizações com base em dados específicos. O método desenvolvido por Sato e seus colegas, por outro lado, é orientado para dados processados, considerando, assim, os aplicativos e seus dados simultaneamente.

    p Crédito:Ishida, Sato e Ukezono.

    p "Treinamos nosso protótipo para identificar a relação entre os parâmetros de design do circuito e a qualidade da imagem processada, "Sato explicou." Após o treinamento, o protótipo foi capaz de gerar um design ideal a partir de circuitos aritméticos aproximados configuráveis, quando uma imagem específica é fornecida. "

    p No design proposto por Sato e seus colegas, o gerador de circuito aproximado considera seus dados alvo, bem como algumas restrições de design e requisitos do usuário. Sua abordagem também lida com circuitos aproximados parametrizados, determinando automaticamente seus parâmetros. Isso livra os designers da tarefa tediosa e demorada de determinar parâmetros manualmente.

    p "A característica mais característica do nosso método é que ele é direcionado por dados, "Sato disse." Muitos estudos têm como alvo uma aplicação de domínio específico, mas acreditamos que apenas alguns consideram os aplicativos e seus dados simultaneamente. Esse recurso é importante, já que poderia, em última análise, facilitar a adoção generalizada de circuitos aproximados. "

    p Os pesquisadores avaliaram seu método, aplicá-lo a um protótipo baseado em rede neural profunda de prova de conceito para processamento de imagem. Seu design alcançou resultados promissores, processamento de imagens quase tão bem quanto as abordagens tradicionais com melhorias significativas no poder (33,28 por cento), atraso (5,67 por cento) e área (21,86 por cento).

    p "Nosso protótipo ainda está em um estágio inicial de desenvolvimento, "Sato disse." Agora temos que melhorá-lo para que possa considerar mais necessidades dos designers, como consumo de energia, retardo e tamanho do circuito. Consequentemente, também gostaríamos de aplicar a metodologia a outras aplicações além do processamento de imagem. " p © 2018 Science X Network




    © Ciência https://pt.scienceaq.com