Chercheurs de l'Université de Fukuoka, au Japon, ont récemment proposé une méthodologie de conception de circuits arithmétiques approximatifs configurables. Dans le cadre de leur étude, publié sur ResearchGate, ils ont appliqué leur méthode à un prototype de système de traitement d'images reposant sur des réseaux de neurones profonds.

Le calcul approximatif est une technique de calcul prometteuse qui repose sur la capacité de nombreux systèmes à tolérer une certaine perte de qualité ou d'optimalité dans les résultats calculés. En réduisant le besoin d'opérations précises ou entièrement déterministes, il peut atteindre des performances élevées avec une consommation d'énergie réduite.

Alors que de nombreuses études se sont concentrées sur les circuits arithmétiques approximatifs, les circuits approximatifs configurables ne sont devenus intéressants que récemment. L'un des enjeux majeurs dans ce domaine est de déterminer les paramètres de configuration de ces circuits, une tâche qui peut souvent être difficile et fastidieuse.

"Nos recherches actuelles portent sur des circuits arithmétiques approximatifs, " Toshinori Sato, l'un des chercheurs qui a mené l'étude, a déclaré TechXplore. "Ces circuits échangent la précision de calcul contre d'autres contraintes de conception telles que la puissance, vitesse et taille. Cela les rend spécifiques à l'application, plutôt qu'à des fins générales. Nous avions besoin d'une méthode de conception simple pour les circuits spécifiques à l'application qui montrerait l'utilité des circuits arithmétiques approximatifs. Nous avons pensé que les réseaux de neurones pourraient aider à faciliter la conception de circuits."

Les recherches antérieures sur les circuits approximatifs configurables ont principalement pris en compte la structure des circuits, sans examiner les données cibles. Cela rend impossible pour les concepteurs d'effectuer des optimisations basées sur des données spécifiques. La méthode imaginée par Sato et ses collègues, d'autre part, est orienté vers les données traitées, considérant ainsi à la fois les applications et leurs données simultanément.

"Nous avons formé notre prototype pour identifier la relation entre les paramètres de conception de circuit et la qualité d'image traitée, " expliqua Sato. " Après l'entraînement, le prototype a pu générer une conception optimale à partir de circuits arithmétiques approximatifs configurables, lorsqu'une image spécifique est fournie."

Dans la conception proposée par Sato et ses collègues, le générateur de circuit approximatif considère ses données cibles, ainsi que certaines contraintes de conception et exigences des utilisateurs. Leur approche traite également des circuits approximatifs paramétrés, déterminer automatiquement leurs paramètres. Cela soulage les concepteurs de la tâche fastidieuse et chronophage de déterminer manuellement les paramètres.

"La caractéristique la plus caractéristique de notre méthode est qu'elle est orientée données, " a déclaré Sato. " De nombreuses études ont ciblé un domaine d'application spécifique, mais nous pensons que seuls quelques-uns considèrent à la fois les applications et leurs données simultanément. Cette caractéristique est importante, car cela pourrait finalement faciliter l'adoption généralisée de circuits approximatifs."

Les chercheurs ont évalué leur méthode, en l'appliquant à un prototype de preuve de concept basé sur un réseau de neurones profonds pour le traitement d'images. Leur conception a obtenu des résultats prometteurs, traitement des images presque aussi bien que les approches traditionnelles avec des améliorations significatives de la puissance (33,28 %), retard (5,67 %) et superficie (21,86 %).

"Notre prototype est encore à un stade précoce de développement, " a déclaré Sato. " Nous devons maintenant l'améliorer pour qu'il puisse prendre en compte plus de besoins de concepteurs, comme la consommation d'énergie, délai et taille du circuit. Par conséquent, nous aimerions également appliquer la méthodologie à d'autres applications au-delà du traitement d'images."

© 2018 Réseau Science X