面向认知计算的近似电路与算法跨层协同设计方法研究

Approximate computing (AC) is a new highly energy-efficient computing paradigm, which has shown significant potential in low power computing system design. However, the design of AC systems has been mostly investigated at each individual layer (algorithm or hardware) with limited cross-layer interactions for an efficient implementation and improvement in figures of merit. How to fully exploit the potential of approximate computing systems by considering cross-layer interaction has not been fully studied. This project will study the approximate circuits and algorithms cross-Layer co-design methodologies for cognitive computing by exploiting the unique approximate features in each layer. The research will focus on: 1) Highly energy-efficient approximate arithmetic unit for cognitive algorithms, including unconventional word-length approximate arithmetic unit, approximate Fast Fourier Transformation (FFT) and convolver; 2) Probabilistic error models of the proposed approximate arithmetic unit and low cost error compensation methods based on data adjustment; 3) Error tolerant analysis of cognitive algorithms (including deep neural network and semi-supervised machine learning algorithms) and its adaptive accuracy design. We seek to exploit the recent advances and unique advantages of approximate computing to investigate new cross-layer, cross-cutting methodologies spanning circuits, architectures, algorithms, and applications, aimed at designing energy-efficient, high-performance, and error tolerant computing systems.

近似计算作为一种新的高能效计算范式，在低功耗计算系统设计领域展现出巨大的应用潜力。然而目前关于近似计算的研究都是在独立的层次上展开，尚未充分考虑近似算法在近似硬件上运行时，如何实现跨层级的相互协同从而充分发掘近似计算的高能效潜能。本课题面向重要的认知计算应用，充分利用近似计算在不同层级上的特性和优势，深入研究近似算术运算单元电路和认知算法的协同设计方法。重点研究：1）面向认知算法的高能效近似算术运算单元，包括非常规位宽的近似算术运算单元、近似快速傅里叶变换及近似卷积单元；2）近似算术运算单元的错误模型及基于操作数调整的新型低成本纠错方法；3）基于近似电路的近似算法（包括深度神经网络算法和半监督机器学习算法）的可容错性分析及精度自适应优化。阐明近似电路、架构、算法与应用的层级内优化近似设计及层级间的相互协同机制，为实现跨层级、多层次的高能效、高性能及可容错的近似计算系统打下坚实的理论基础。

面向重要的认知计算应用，本项目充分利用近似计算在不同层级上的特性和优势，深入研究了近似算术运算单元电路和算法的协同设计方法。通过突破高能效非传统位宽近似算术运算单元、近似算术运算电路的错误模型、低成本纠错补偿方法以及认知算法的精度自适应优化等关键技术，实现了近似电路、架构、算法与应用的层级内优化设计以及层级间的相互协同。相关成果应用于人工智能芯片、通信芯片、信息安全芯片等。受邀发表IEEE总刊Proceedings of the IEE论文两篇（均为特邀论文Invited Paper），由Springer出版英文专著《Approximate Computing》一部，IEEE TC、TCAS-I、TETC等领域内权威IEEE汇刊论文21篇，DATE、ICCAD、ISCAS等著名IEEE/ACM国际会议论文20余篇。成果论文入选2021年1月IEEE TCAS-1亮点论文，GLSVLSI 2022最佳论文候选和ChinaDA 2021最佳海报奖。应用成果获得华为技术成果转化奖、国防技术发明二等奖等，项目执行期间，负责人获得入选国家优秀青年科学基金资助，并获得第18届霍英东教育基金会高等院校青年科学奖和中国电子学会优秀科技工作者等奖励和荣誉，2020-2021连续2年入选全球前2%科学家。入选DAC 2022，DATE 2022，IEEE ISCAS 2021和COINS 2021等著名国际会议的Tutorial Speaker。授权发明专利4项。