Jul, 2023

近似计算调查，第二部分：特定应用和架构近似技术和应用

PDF
TL;DR近十年来，近似计算作为一种新兴解决方案，在设计系统时调整结果质量以提高能源效率和 / 或性能的范式转变引起了学术界和工业界的关注。本研究通过两部分调研，覆盖了近似计算的关键方面（如术语和应用）以及从传统计算堆栈的各个层次（从系统到集成电路）的最新近似技术。在调研的第二部分中，我们对应用特定和架构近似技术进行了分类和详细介绍，这两者都旨在设计资源高效的处理器 / 加速器和系统。此外，我们还详细分析了近似计算的应用领域，并讨论了未来的挑战和发展方向。
approximate computingaidigital signal processingenergy efficiencyperformance
发现论文，激发创造
  • 基于强化学习方法的近似计算技术的设计空间探索

    本文提出了一种基于强化学习的多目标设计空间探索策略，以找到在准确度下降和功耗 / 计算时间减少之间取得平衡的应用的近似版本。实验结果表明，在某些基准测试中，在准确度下降和功耗 / 计算时间减少之间存在良好的平衡。

    Dec, 2023

  • 基于深度神经网络进行定制硬件逼近：过去和未来

    该论文提供了有关高性能网络推断的近似方法的全面评估，并深入讨论了这些方法在自定义硬件实现中的有效性，旨在启发该领域的新发展。

    Jan, 2019

  • 一种应用特定算法选择的 PAC 方法

    本文使用统计和在线学习理论的概念来分析特定应用领域下的算法选择问题，并将算法选择建模为统计学习问题，同时研究了在线算法选择问题的可能性和不可能性结果。

    Nov, 2015

  • 通过机器学习加速计算机架构模拟

    该论文提出了一种通过利用机器学习技术加速计算机体系结构模拟的方法，该方法利用应用特征和微架构特征的组合来预测应用程序的性能，通过构建和评估一个机器学习模型展示了在体系结构探索方面的显著加速能力。

    Feb, 2024

  • 训练神经网络以在近似硬件上执行

    研究表明，近似计算方法在深度学习中具有巨大潜力，尤其适用于受电源预算限制的便携设备的推理任务，但由于缺乏针对近似计算的训练方法，其潜力尚未得到充分发挥。本文提出了近似硬件训练的方法，并演示了这些方法如何专门针对近似硬件进行训练，并提出了加速训练过程的方法，加速率高达 18 倍。

    Apr, 2023

  • AxOCS: 使用配置超采样扩展 FPGA 上的近似算子

    通过提出 AxOCS 方法，利用 AI 和 ML 进行超采样，以生成较大的位宽算子，显著改善多目标优化结果的超体积。

    Sep, 2023

  • AxOMaP: 设计基于 FPGA 的近似算术运算器使用数学规划

    使用数据分析驱动的数学规划方法，合成 FPGA 的近似运算器，实现在嵌入式系统中机器学习推理的联合优化，取得了高达 21% 的超体积改进。

    Sep, 2023

  • 智能抽样用于代理建模、超参数优化和数据分析

    在采样技术的研究领域，我们提出智能采样的概念，既可以创建新算法，也可以修改其他领域的适当算法以满足采样需求，经过定量和定性比较发现，简单的算法可以轻松地满足超参数优化、数据分析等方面的采样需求，并且优于当前使用的更复杂的算法，从而更好地利用时间和计算资源。

    Jun, 2023

  • 人工智能系统教育之路：智能计算架构课程实践

    本文讨论了从计算系统的角度出发如何进行人工智能的教育，并提供了一门针对智能计算架构的课程实践，旨在通过讲授人工智能加速器在 FPGA 平台的设计，来弥合人工智能和计算系统之间的差距。

    Jun, 2022

  • 现代数据密集型应用的异构数据中心架构：机器学习和数据库的案例研究

    本研究通过对数据访问和计算模式的分析，以深度优化算法和硬件，提出了两种利用 PIM 范式进行机器学习和混合事务 / 分析处理的数据中心架构。

    May, 2022