AdAM：适应性容错近似乘法器用于边缘 DNN 加速器
内容提要
本研究提出了一种优化近似乘法器的方法，通过操作数分布最小化平均误差。该方法在深度神经网络中提高了精度，减少了面积和电功率消耗，同时降低了延迟。与精确乘法器相比，面积和功耗显著减少，精度损失可忽略不计。
延伸解读
基于操作数分布的误差优化思路
文章提出通过操作数分布来最小化近似乘法器的平均误差。这一思路不同于单纯追求电路结构简化，而是从数据特征出发，让近似计算更贴合实际输入分布。对于边缘DNN加速器而言，这意味着可以在不显著牺牲精度的前提下，更有效地降低面积和功耗，为资源受限场景提供了新的优化方向。
精度与硬件开销的权衡表现
与已有最佳近似乘法器相比，该方法在精度上提升高达50.24%，同时面积减少15.76%、功耗降低25.05%、延迟缩短3.50%。这些数据表明，精度提升并未以硬件开销为代价，反而实现了多指标同步优化。对于设计者而言，这种权衡关系有助于在边缘设备中更灵活地分配资源。
在DNN加速模块中的实际收益
在测试的DNN加速模块中，采用该乘法器后，整体面积比原始模块小18.70%，功耗少9.99%。这说明乘法器层面的优化能够有效传递到模块级，带来可观的系统级收益。对于边缘DNN加速器设计，这种模块级改进有助于在有限芯片面积和功耗预算下集成更多计算单元。
与精确乘法器的对比及精度损失
与精确乘法器相比，该方法面积减少44.94%、功耗降低47.63%、延迟缩短16.78%，而精度损失可忽略不计。这一对比凸显了近似计算在边缘DNN加速中的潜力：在可接受的精度范围内，硬件效率获得大幅提升。但需注意，精度损失可忽略的结论基于特定测试条件，实际部署时仍需根据应用场景评估容错能力。
Q&A
AdAM方法如何优化近似乘法器的性能？
AdAM方法通过操作数分布最小化平均误差，从而提高了深度神经网络的精度和性能。
使用AdAM方法后，乘法器的面积和功耗减少了多少？
使用AdAM方法后，乘法器的面积减少了44.94%，电功率消耗减少了47.63%。
AdAM方法在精度上相比于已有的最佳近似乘法器提高了多少？
AdAM方法在精度上提高了高达50.24%。
AdAM方法对深度神经网络的延迟影响如何？
AdAM方法使得延迟减少了3.50%。
与精确乘法器相比，AdAM方法的精度损失如何？
与精确乘法器相比，AdAM方法的精度损失可以忽略不计。
在DNN加速模块中，AdAM方法的乘法器面积减少了多少？
在DNN加速模块中，AdAM方法的乘法器面积比原始模块小18.70%。
