BriefGPT - AI 论文速递
·
AdAM：适应性容错近似乘法器用于边缘 DNN 加速器
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本研究提出了一种优化方法，通过最小化操作数分布的平均误差，提高了近似乘法器的精度和性能。该方法减少了面积、电功率消耗和延迟，使乘法器比原始模块更小、电功率消耗更低。
🎯
关键要点
- 本研究提出了一种针对近似乘法器的优化方法。
- 通过操作数分布最小化平均误差，提高了乘法器的精度和性能。
- 该方法在 DNN 中获得比已有的最佳近似乘法器高达 50.24% 的精度。
- 面积减少了 15.76%，电功率消耗减少了 25.05%，延迟减少了 3.50%。
- 与精确乘法器相比，面积减少 44.94%，电功率消耗减少 47.63%，延迟减少 16.78%。
- 精度损失可以忽略不计。
- 在测试的 DNN 加速模块中，乘法器比原始模块面积小 18.70%，电功率消耗少 9.99%。
➡️
