探索近似DNN硬件加速器中的故障-能量权衡( Exploring Fault-Energy Trade-offs in Approximate DNN Hardware Accelerators )

A Siddique K Basu KA Hoque

基于脉动阵列的深度神经网络(DNN)加速器以其较低的计算成本近年来得到了广泛的应用。然而，它们的高能耗对它们在能源受限设备中的部署构成了瓶颈。为了解决这个问题，可以采用近似计算，但代价是一定程度上的精度损失。然而，这种微小的精度变化可能会增加DNN对不希望的细微干扰（如永久性故障）的敏感性。永久故障在精确DNN中的影响已在文献中进行了彻底的研究。相反，在近似DNN加速器（AxDNNs）中永久故障的影响还没有得到充分的研究。这种故障的影响可能随着AxDNN层中的故障位位置、激活函数和近似误差而变化。这种动态性给探索AXDNN的能量效率和故障恢复能力之间的权衡带来了相当大的挑战。为此，我们使用最新的Evoapprox8b带符号乘法器，对不同AXDNN进行了广泛的层和位故障恢复能力和能量分析。特别地，我们改变了stuck-at-0、stuck-at-1故障位位置和激活函数，以使用最广泛使用的MNIST和Fashion-MNIST数据集来研究它们的影响。我们的定量分析表明，与精确DNN加速器相比，永久性故障加剧了AXDNN的精度损失。例如，AxDNNs中的永久故障可能导致高达66%的精度损失，而同一故障位在精确DNN加速器中仅导致9%的精度损失。结果表明AxDNNs的故障恢复能力与能量效率正交。

SciDown文献求助系统（解决99%问题） Public Download ResearchGate arXiv.org