Dec, 2023

面向印刷多层感知机的乘积累加和激活的定制逼近

PDF
TL;DR本文提出了一种基于印刷电子技术的自动设计框架，通过引入近似计算和定制设计的原则，克服了印刷电子技术中复杂电路实现的限制，实现了超低功耗的多层感知器分类器，使得即使在最复杂的结构下，也能实现电池供电操作且显著超越目前的技术水平。
printed electronicsubiquitous computingconformalultra-low cost solutionsapproximate computing
发现论文，激发创造
  • 利用离散基因训练实现打印 MLP 网络的嵌入式硬件逼近

    利用近似计算并将硬件近似集成到多层感知器（MLP）的训练过程中，为 Printed Electronics（PE）设计了一种基于遗传算法的硬件感知训练方法，实现了超过 5 倍的面积和功耗降低，同时优于最先进的近似和随机打印 MLPs。

    Feb, 2024

  • 通过定制 ADC 和决策树协同设计在传感器上实现的机器学习分类

    通过设计定制的 ADC，我们首次提出了一种共同设计框架，用于生成定制的决策树分类器，从而实现在所有基准案例中传感器上打印的分类器的自供电操作。

    Dec, 2023

  • 面向机器学习的扩展性偏差近存储 CMOS 模拟处理器

    本文介绍了一种基于 S-AC 的偏置可扩展的模拟计算电路，其可以用于多种不同功耗和性能需求的机器学习（ML）应用，并且可以在 180nm 的 CMOS 工艺下实现近存储计算、非线性激活、内积计算、数模混合压缩存储等多个功能，同时也证明了电路模块的鲁棒性以及计算精度的影响效果。

    Feb, 2022

  • 通过联合设计激活函数进行深度神经网络的快速和私密推断

    介绍了一种基于多方计算的机器学习服务（MLaaS）的方法，通过使用多项式逼近替换 ReLU 激活函数和采用单轮 MPC 协议进行评估，实现了在大型模型上快速准确的推理，从而保护客户数据隐私。

    Jun, 2023

  • 应用机器学习模型预测器件电气性能的度量数据分析

    摘要：本研究使用了 imec N14 BEOL 工艺流程以及 LELE 图案技术，在半导体设备制造中分析和控制叠加误差，研究其对电容的影响，并探索在早期阶段使用机器学习模型预测最终电容测量结果的方法。

    Nov, 2023

  • 2.5D 芯片平台中的硅光子学机器学习加速器

    本文描述了如何将光计算和通信集成到 2.5D 芯片平台中，从而驱动一类新型的可持续扩展的机器学习硬件加速器，以加速新兴的机器学习工作负载，通过跨层设计、硬件 / 软件协同设计和硅光子设计制备。

    Jan, 2023

  • 利用误差恢复实现无乘法人工神经元的能量高效神经计算

    提出了一种利用计算共享和神经网络应用程序的误差容忍性来实现能源消耗改进的近似乘法器和无乘法器人工神经元，并采用最小精度损失的训练方法。实验结果表明，在与传统神经元实现比较下，8 位和 12 位神经元大小的能源消耗分别降低了 35% 和 60%，最大网络精度损失约为 2.83%。此外，在 iso-speed 条件下，8 位和 12 位的神经元大小分别减少了 37% 和 62% 的面积。

    Feb, 2016

  • 深度神经网络的超低精度训练中的位宽累积缩放

    通过统计方法分析深度学习中的累加器准确性，得到了将计算硬件精度进行精确定制的方案，并证明了这种方案可以得到面积和功率最优的系统。

    Jan, 2019

  • 贝叶斯感知机：迈向全贝叶斯神经网络

    本文提出了一种全新的方法，即基于贝叶斯推断框架通过闭式计算对感知机进行训练和预测，其中感知机的权重和预测被视作高斯随机变量，为常用的激活函数，如 sigmoid 或 ReLU 提供了预测感知机输出和学习权重的解析表达式，该方法不需要计算昂贵的梯度计算，进一步允许顺序学习。

    Sep, 2020

  • 机器学习训练在实际处理内存系统上的实验评估

    研究探讨了基于内存为中心的计算系统中处理器内存访问瓶颈和大量能量消耗的解决方案，考察 PIM 架构对机器学习算法训练的潜力，通过评估经典算法在 PIM 和传统 CPU、GPU 上的性能、准确度和扩展性对比，表现出更高效的处理机制和更好的加速效果。

    Jul, 2022