ضربکننده تقریبی نوین با نام ARTS (Approximate Reduction Tree-based Split multiplier) که بر پایه کاهش تقریبی درختی و تقسیمبندی عملوندها طراحی شده است، توسط محققان دانشگاه تهران رونمایی شد.
به گزارش روابطعمومی دانشگاه تهران، این طرح پژوهشی با هدف پاسخ به چالش فزاینده پیادهسازی سختافزاری کارآمد برای کاربردهای یادگیری ماشین و هوش مصنوعی در زندگی روزمره، در دانشکدگان فنی طراحی و اجرا شده است.
پاسخ به نیاز سختافزارهای کممصرف هوش مصنوعی
دکتر شقایق وحدت، عضو هیأت علمی دانشکده مهندسی برق و کامپیوتر و سرپرست این طرح، با اشاره به ضرورت توسعه چنین ساختارهایی گفت: با گسترش کاربردهای هوش مصنوعی از تلفنهای همراه تا سامانههای تشخیص پزشکی، نیاز به واحدهای محاسباتی سریع، کممصرف و کمحجم بیش از گذشته احساس میشود؛ در این میان، ضربکنندهها نقش محوری در انجام این محاسبات دارند و ARTS با هدف رفع همین محدودیتها طراحی شده است.
وی افزود: ایده محوری در ضربکننده تقریبی ARTS، تقسیم عملوندهای ورودی به بخشهای ایستا و انجام جمعزدن تقریبی حاصلضربهای جزئی با استفاده از درختهای کاهش سادهشده است؛ رویکردی که پیچیدگی محاسبات را بهشکل هوشمندانه کاهش میدهد.
بهبود چشمگیر شاخصهای سختافزاری
بر اساس نتایج آزمایشها، این معماری نوین در مقایسه با یک ضربکننده دقیق ۸ بیتی، منجر به:
- کاهش ۶۸.۶ درصدی توان مصرفی
- کاهش ۱۶.۵ درصدی تأخیر
- کاهش ۶۰ درصدی سطح تراشه
شده است. همچنین در مقایسه با سایر ضربکنندههای تقریبی پیشرفته دنیا، بهبودهایی تا ۵۹.۸ درصد در توان، ۳۷.۲ درصد در تأخیر و ۵۲.۸ درصد در مساحت به ثبت رسیده است.
عملکرد قوی در کاربردهای واقعی
دکتر وحدت با تأکید بر اینکه ARTS تنها به معیارهای سختافزاری محدود نمیشود، تصریح کرد: در کاربردهای پردازش تصویر مانند ضرب تصویر و آشکارسازی لبه سوبل، این ضربکننده بهترتیب تا ۹۱.۴ درصد بهبود کیفیت تصویر (PSNR) و ۵۲.۴ درصد افزایش شباهت ساختاری (SSIM) را نسبت به طرحهای مشابه نشان داده است.
همچنین در کاربرد شبکههای عصبی عمیق (DNN)، ARTS بیش از ۸۴.۸ درصد دقت بالاتر را نسبت به ضربکنندههای تقریبی همرده با مشخصات سختافزاری مشابه ارائه کرده است.
چشمانداز آینده فناوری ARTS
سرپرست این طرح در پایان خاطرنشان کرد: ARTS تنها یک آغاز است. این معماری ظرفیت بالایی برای استفاده در پردازندههای لبه اینترنت اشیا، سامانههای کمتوان و شتابدهندههای هوش مصنوعی دارد و میتواند نقش مهمی در بومیسازی و بهینهسازی سختافزارهای پیشرفته در کشور ایفا کند.
این پژوهش با همکاری مهندس مهلا صالحی و مهندس سهند دیوسالار به انجام رسیده و نمونهای موفق از تلفیق محاسبات تقریبی با مهندسی سختافزار دیجیتال بهشمار میرود؛ دستاوردی که میتواند مسیر طراحی تراشههای هوشمند آینده را هموارتر کند.