本研究提出FAMES系统，有效解决了在仅2位量化的深度神经网络中应用近似乘法器的问题。实验结果显示，该方法在保持1%以下的准确性损失的同时，能量消耗减少28.67%，速度比传统方法快300倍。

本研究提出了一种灵活重用近似乘法器的方法，解决神经网络运行时算力资源消耗波动的问题。通过搜索算法，系统可选择合适的近似乘法器子集并再训练，以优化性能，动态调整服务质量。

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。