| dc.description.abstract |
A Computação Aproximada aplicada ao projeto de circuitos digitais consiste em descrever
circuitos que eventualmente tenham resultados inexatos ou imprecisos, de modo a obter
arquiteturas mais eficientes em área, atraso ou dissipação de potência. Diversos trabalhos
recentes evidenciam os resultados desta técnica em circuitos aritméticos, principalmente
somadores e multiplicadores. Contudo, ainda existe uma lacuna no estudo de técnicas
voltadas para circuitos de comparação, os quais são amplamente utilizados por uma gama
de aplicações. Este trabalho investiga o uso de aproximação em comparadores em nível
de circuito visando eficiência energética, e sua aplicação em modelos de aprendizado de
máquina baseados em Árvores de Decisão (DT). A aproximação é inserida tanto em
circuitos dedicados (AxDC), como em comparadores baseados em full adders (FA), de
modo a minimizar a dissipação de potência do circuito. Foram propostas duas arquiteturas
dedicadas com aproximação em nível de portas lógicas, denominadas AxDC1 e AxDC2.
Estas arquiteturas exploram 25% ou 50% de aproximação dos bits menos significativos
respectivamente, por meio das técnicas de truncamento e cópia. Para as versões baseadas
em FA, foi utilizado um comparador ripple carry com 100% de blocos aproximados, por
meio de três FAs aproximados retirados da literatura (SMA, AMA1 e AMA2). Versões
de 8 bits dos circuitos foram descritos em tecnologia FinFET de 7 nm, e avaliados contra
um comparador exato de referência, utilizando-se de simulações elétricas. O impacto da
aproximação foi avaliado na caracterização elétrica e no estudo do erro dos comparadores.
Posteriormente, o efeito de se utilizar a aproximação como teste de atributo em DTs foi
estudado, empregando o algoritmo C5.0 e 5 datasets do UCI Machine Learning Repository.
Os resultados experimentais obtidos para cada aproximação de comparador sugerem que
o AxDC1 é o melhor candidato ao uso em uma implementação em hardware de DTs, uma
vez que tem um impacto mínimo na acurácia, de somente 0.12% em média, enquanto traz
uma redução de consumo energético de 28% na média em relação ao comparador exato
de referência. O AxDC2, por conta de sua aproximação mais agressiva, obteve resultados
insatisfatórios na acurácia, com piora de 65% em média, em relação ao comparador de
referência, ao passo que não houve melhoras na eficiência energética devido ao maior
número de operações realizadas na classificação com este comparador. Por fim,a versão
de comparador baseado no AMA1 também apresentou resultados promissores, obtendo o
maior ganho em eficiência energética, apesar da queda de acurácia na classificação. |
pt_BR |
