《IEEE Access》:scaleTRIM: Scalable TRuncation-Based Integer Approximate Multiplier with Linearization and Compensation
编辑推荐:
为了解决高精度与高效能难以兼顾的问题,研究人员开展了名为scaleTRIM的可伸缩近似乘法器研究。该设计通过线性拟合与查找表补偿,在乘法运算中仅用加法与移位操作实现高效近似,显著提升了功耗-延时积(PDP)与平均相对误差距离(MRED)。其在图像分类等应用中展现出优异的精度-效率权衡,为深度神经网络(DNN)等领域的硬件加速提供了新方案。
在追求算力极致的时代,计算芯片的“胃口”越来越大,尤其是在人工智能(AI)和深度学习浪潮的推动下。深度神经网络(DNN)如同一个永不餍足的“计算巨兽”,其海量的乘加运算对硬件能效提出了严峻挑战。传统的精确乘法器虽然保证了计算结果分毫不差,但其高昂的硬件成本(如面积、功耗和延迟)却成了提升整体系统效率的“阿喀琉斯之踵”。有没有一种方法,能让硬件在完成必要计算的同时,变得更“轻快”一些呢?
这就是近似计算(Approximate Computing)登场的舞台。其核心思想颇具哲学意味:对于许多应用(如图像、语音处理),完美的精确并非必要,系统对微小的误差具备与生俱来的“容错性”。那么,我们是否可以牺牲一点点无关紧要的精度,换取功耗和速度上大幅度的提升?近似乘法器正是这一思想的关键实践者。然而,现有的近似乘法器设计往往在精度、效率和可扩展性之间难以取得完美平衡,要么精度损失过大,要么能效提升有限,要么设计僵化,难以灵活适配不同场景的需求。
为此,一篇发表在《IEEE Access》上的论文提出了一种名为scaleTRIM的创新设计,旨在破解这一困局。为了攻克高能效与可配置精度难以兼得的难题,研究团队展开了一项关于可伸缩截断整数近似乘法器的专题研究。他们巧妙地将复杂的乘法运算转化为廉价的加法与移位操作,并引入智能化的误差补偿机制。研究结果表明,scaleTRIM方案能够在满足效率约束的前提下,将平均相对误差距离(MRED)降低约15.2%;在同时满足精度和效率约束的条件下,将功耗-延时积(PDP)改善约22.8%。这项工作的意义在于,它提供了一种高度可配置的硬件近似计算单元,为部署在资源受限边缘设备上的深度神经网络等应用,开辟了一条更优的精度-效率权衡路径。
研究人员开展这项研究主要运用了几个关键技术方法:首先,基于前导一的动态截断,即根据输入操作数中“1”的最高有效位位置,将其截断为固定位宽(h比特)的简化表示,大幅降低了运算复杂度。其次,曲线拟合与线性化,核心创新在于使用拟合的线性函数来逼近乘法运算,从而用成本极低的加法和移位操作完全取代乘法器。第三,基于查找表的分段常数补偿,这是一种新颖的误差削减方法。研究人员将函数空间划分为M个区间,通过预计算并存储每个区间内误差的平均值作为补偿项,存入查找表(LUT)中,在计算时进行查表补偿,有效提升了整体精度。
研究结果
- •
可配置的近似设计:通过理论分析与硬件建模,研究人员构建了scaleTRIM的整体架构。该设计支持不同程度的操作数截断(控制精度损失)和不同分辨率的查找表补偿(控制误差修正力度),从而能够提供一系列从高能效到高精度的、可灵活配置的设计方案,满足了不同应用场景的差异化需求。
- •
误差与能效分析:通过与多种先进的近似乘法器设计进行综合对比实验,评估了scaleTRIM的误差特性(如平均相对误差距离MRED、平均误差距离MED)和硬件效率指标(如功耗、延时、面积及功耗-延时积PDP)。实验数据证实,scaleTRIM在给定的精度或效率约束下,能够实现更优的综合性能,即在相同误差水平下能效更高,或在相同能效水平下误差更小。
- •
在图像分类中的应用验证:为了从实用角度证明其价值,研究团队将scaleTRIM集成到用于图像分类的深度神经网络(DNN)中,替换原有的精确乘法器。评估结果显示,即使在近似计算引入误差的情况下,使用了scaleTRIM的DNN模型仍能保持很高的分类准确率。这充分证明了scaleTRIM在实际机器学习应用中,能够提供比同类方案更好的精度-效率权衡,使得在边缘设备上运行复杂的DNN模型变得更加可行。
结论与讨论
本研究的核心结论是,所提出的scaleTRIM设计成功地实现了一种高度可扩展且高效的整数近似乘法器。它通过创新的线性化方法,从根本上将乘法运算简化为加法和移位,并结合基于查找表(LUT)的分段误差补偿机制,有效控制了近似计算带来的精度损失。与现有技术相比,scaleTRIM在关键的误差度量(MRED)和能效度量(PDP)上均取得了显著改进。
这项工作的深刻意义在于其系统级的贡献。首先,方法论上,它将数学上的曲线拟合与硬件设计深度融合,为近似算术单元设计提供了一种新颖且有效的思路。其次,灵活性上,其可伸缩的特性允许设计者根据目标应用的容错能力,精细地调整精度与功耗/性能的平衡点,这在实际工程中极具价值。最后,应用前景上,研究通过深度神经网络图像分类任务的实证,强有力地说明了scaleTRIM在人工智能硬件加速,特别是边缘计算和物联网(IoT)设备等对功耗极度敏感的场景中,拥有广阔的应用潜力。它为解决后摩尔定律时代算力提升的能效瓶颈,提供了一种切实可行的电路级解决方案。未来的工作可以探索将scaleTRIM架构扩展到其他数据类型(如浮点数)或更复杂的运算单元中,以进一步扩大其应用范围。