神經(jīng)網(wǎng)絡(luò)是一種流行的機器學(xué)習(xí)模型，但它們需要更高的能耗和更復(fù)雜的硬件設(shè)計。隨機計算是平衡硬件效率和計算性能之間權(quán)衡的一種有效方式。然而，由于算術(shù)單元的低數(shù)據(jù)精度和不準確性，隨機計算見證了 ML 工作負載的低準確性。

為了解決與傳統(tǒng)隨機計算方法相關(guān)的問題，并通過更高的精度和更低的功耗來提高性能，正在進行的研究提出了一種改進的基于塊的隨機計算架構(gòu)。通過在輸入層中引入塊，可以通過利用高數(shù)據(jù)并行性來減少延遲。更重要的是確定全局優(yōu)化方法所需要的塊數(shù)。

現(xiàn)有的方法包括增加比特流的長度以提高數(shù)據(jù)精度，甚至使用指數(shù)比特來獲得準確的結(jié)果。然而，這引入了較長的計算延遲，這對于 TinyML 應(yīng)用程序來說是不合理的。因此，為了應(yīng)對這種不斷上升的計算延遲，比特流被分成塊然后并行執(zhí)行。結(jié)合塊內(nèi)算術(shù)單元和輸出修正 （OUR） 方案可緩解塊間不準確問題，從而提供高計算效率。

基于塊的隨機計算架構(gòu)

研究提供了一種新穎的架構(gòu)，其中輸入被劃分為塊并使用優(yōu)化的塊內(nèi)算術(shù)單元并行執(zhí)行乘法和加法。此外，在 TinyML 應(yīng)用程序的延遲-功耗權(quán)衡方面，所提出的模型是一個出色的架構(gòu)。

架構(gòu)劃分如下：

塊劃分

如上圖所示，輸入比特流被劃分為“k”個值塊。所提出的想法是，為比特流選擇大量塊并不能保證是最佳的，但可以用于接近近似值。如果在選擇塊數(shù)時出現(xiàn)錯誤，這可能會自相矛盾地導(dǎo)致大錯誤。在確定來自輸入比特流的正和負部分的兩個平均值的概率方面存在復(fù)雜的計算。

塊內(nèi)計算

緩解了傳統(tǒng)加法器面臨的OR加法器相關(guān)問題和分離加法器溢出問題。新修改的架構(gòu)設(shè)計在輸入之間帶有 XNOR+AND 門，以消除雙極計算的相關(guān)性。

每個輸入位都在并行計數(shù)器 （PC） 中獲取，對于正負部分 （Ap， An） 分別進行處理。有兩個專用累加器用于處理有符號位。取輸入位后，累加器之間發(fā)生減法，如正負部分所示。目標是獲得所有輸入的累積 1 的數(shù)量。進一步地，比較取時間輸出（Sop，Son）中的一位，在多個“n”個循環(huán)之后，計算符號位，并根據(jù)符號位Ap和An，選擇Sop和Son的輸出結(jié)果。

這種新的基于累加器的符號幅度格式加法器利用 unNSADD 加法器來比較輸出和輸入中的實際累加 1 以確定輸出位。這種方法消除了相關(guān)性和快速溢出問題的影響。

塊間??輸出修正方案

盡管塊內(nèi)加法器解決了相關(guān)性和溢出問題，但塊劃分引入了新的塊間不準確錯誤。乘法器不會發(fā)生這種情況，因為輸入是 XNORed 和 ANDed。但是對于加法器，輸出中 1 的數(shù)量可能會偏離所產(chǎn)生的不準確性。輸出修訂方案在并行塊內(nèi)計算階段之后添加或刪除 1s，而不會引入任何額外的延遲來解決這些塊間不準確錯誤。

新穎的基于塊的隨機計算架構(gòu)旨在提高隨機計算運算電路的精度，同時降低計算延遲和能源效率。根據(jù)研究結(jié)果，該方法比現(xiàn)有方法的準確度提高了 10% 以上，并節(jié)省了 6 倍以上的功率。

審核編輯：郭婷