Prof. Ing. Lukáš Sekanina, Ph.D.

MRÁZEK Vojtěch, SARWAR Syed Shakib, SEKANINA Lukáš, VAŠÍČEK Zdeněk a ROY Kaushik. Design of Power-Efficient Approximate Multipliers for Approximate Artificial Neural Networks. In: Proceedings of the IEEE/ACM International Conference on Computer-Aided Design. Austin, TX: Association for Computing Machinery, 2016, s. 811-817. ISBN 978-1-4503-4466-1.
Jazyk publikace:angličtina
Název publikace:Design of Power-Efficient Approximate Multipliers for Approximate Artificial Neural Networks
Název (cs):Návrh nízkopříkonových aproximačních násobiček pro aproximační neuronové sítě
Strany:811-817
Sborník:Proceedings of the IEEE/ACM International Conference on Computer-Aided Design
Konference:2016 IEEE / ACM International Conference On Computer Aided Design
Místo vydání:Austin, TX, US
Rok:2016
ISBN:978-1-4503-4466-1
Vydavatel:Association for Computing Machinery
Soubory: 
+Typ Jméno Název Vel. Poslední změna
iconiccad_nn.pdf741 KB2016-10-05 16:24:00
^ Vybrat vše
S vybranými:
Klíčová slova
Approximate computing, Neural networks, Logic synthesis, Low power, Genetic programming
Anotace
Umělé neuronové sítě (NN) se ukázaly jako vhodné pro řešení složitých úloh jako je klasifikace obrazu či rozpoznávání řeči. I silně optimalizované hardwarové implementace digitálních NN vykazují poměrně velkou spotřebu elektrické energie, která je způsobena neuniformními zřetězenými strukturami a inherentní redundancí řady aritmetických operací, které musí být provedeny pro výpočet každého výstupního vektoru. Tento článek prezentuje metodologii určenou pro návrh optimalizovaných nízkopříkonových NN s uniformní strukturou HW implementace. Byla provedena analýza odolnosti vůči aritmetickým chybám, abychom mohli určit klíčová omezení pro návrh aproximačních násobiček využitých v NN. S využitím vyhledávací metody založené na genetickém programování byly navrženy násobičky vykazující různý poměr mezi maximální aritmetickou chybou a příkonem. NN využívající navržené násobičky byly vyhodnoceny pomocí standardní testovací sady MNIST a SVHN. Bylo dosaženo významného zlepšení spotřeby v obou případech při porovnání s přesnou NN. Například 91% redukce příkonu násobení vedla k poklesu přesnosti klasifikace méně než o 2.8 %. Tento článek navíc ukazuje schopnost back-propagation algoritmu pro učení NN trénovat i sítě s aproximačními násobičkami.
BibTeX:
@INPROCEEDINGS{
   author = {Vojt{\v{e}}ch Mr{\'{a}}zek and Shakib Syed Sarwar and
	Luk{\'{a}}{\v{s}} Sekanina and Zden{\v{e}}k
	Va{\v{s}}{\'{i}}{\v{c}}ek and Kaushik Roy},
   title = {Design of Power-Efficient Approximate Multipliers for
	Approximate Artificial Neural Networks},
   pages = {811--817},
   booktitle = {Proceedings of the IEEE/ACM International Conference on
	Computer-Aided Design},
   year = {2016},
   location = {Austin, TX, US},
   publisher = {Association for Computing Machinery},
   ISBN = {978-1-4503-4466-1},
   language = {english},
   url = {http://www.fit.vutbr.cz/research/view_pub.php.cs?id=11142}
}

Vaše IPv4 adresa: 54.80.137.168
Přepnout na IPv6 spojení

DNSSEC [dnssec]