scaleTRIM: 可扩展的基于截断的整数近似乘法器，具有线性化和补偿
摘要：基于查找表的补偿单元的可伸缩近似乘法器设计 具体化计算已经成为提高数字设计性能、面积和功耗/能效的显著解决方案，但会以输出精度为代价。我们提出了一种新颖的可伸缩近似乘法器，利用了基于查找表的补偿单元。为了提高能效，输入操作数根据其最高一位的位置被截断为降低的位宽表示（例如h位）。然后，采用曲线拟合方法将乘积项映射到线性函数，并使用分段常数误差修正项来减小近似误差。为了计算分段常数误差补偿项，我们将函数空间分成M个段落，并通过对段落中的误差求平均来计算每个段落的补偿因子。该乘法器支持各种截断和误差补偿程度，以利用精度效率平衡。所提出的近似乘法器相比于先进的整数近似乘法器具有更好的误差度量指标，如平均绝对相对误差（MARED）和标准绝对相对误差（StdARED）。当能耗与先进的近似乘法器大致相等时，所提出的近似乘法器将MARED和StdARED提高了约38\%和32\%。此外，我们使用深度神经网络（DNN）评估了所提出的近似乘法器在图像分类应用中的性能。结果表明，由于我们的近似乘法器的补偿特性，DNN的精度下降可以忽略不计。
作者：Ebrahim Farahmand, Ali Mahani, Behnam Ghavami, Muhammad Abdullah Hanif, and Muhammad Shafique
论文ID：2303.02495
分类：Distributed, Parallel, and Cluster Computing
分类简称：cs.DC
提交时间：2023-05-05