اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شمارهها | 1,423 |
| تعداد مقالات | 10,238 |
| تعداد مشاهده مقاله | 12,217,385 |
| تعداد دریافت فایل اصل مقاله | 7,148,395 |
طراحی مدار ضرب ۶ بیتی تقریبی و بهینه برای پیادهسازی روی تراشههای قابل برنامهریزی با کاربرد در یادگیری ماشینی | ||
| پدافند الکترونیکی و سایبری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 09 اردیبهشت 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| حمیدرضا احمدی فر* 1؛ مهسا غلامی1؛ سهیل فلاح باقری نژاد2 | ||
| 1گروه مهندسی کامپیوتر، دانشکده فنی، دانشگاه گیلان، رشت، ایران | ||
| 2گروه مهندسی کامپیوتر، دانشکده فنی، دانشگاه گیلان، رشت، ایران. | ||
| تاریخ دریافت: 03 دی 1404، تاریخ بازنگری: 29 اسفند 1405، تاریخ پذیرش: 29 فروردین 1405 | ||
| چکیده | ||
| پیادهسازی الگوریتمهای یادگیری ماشینی روی تراشههای قابل برنامهریزی به منابع و بلوکهای منطقی زیادی نیاز دارد، درنتیجه آنها را با محدودیتهایی مواجه میکند. یکی از راههای کاهش منابع، استفاده از مدارهای محاسباتی تقریبی است. عمل ضرب معمولا یکی از گزینههای اصلی در محاسبات تقربی است، چراکه نقش مهمی در افزایش میزان مصرف منابع و تاخیر محاسبات دارد. در این مقاله کمپرسورهای ۵:۲ و ۶:۲ تقریبی پیشنهاد شده که با هدف بهکارگیری در مدار ضرب ۶ بیتی ارائه شدهاند. مدار پیشنهادی ابتدا به زبان VHDL شبیهسازی شده و سپس در ابزار Vivado بر روی برد Zedboard Zynq از خانوادهی Zynq 7000 پیادهسازی و سنتز شد. نتایج سنتز نشان میدهد که در منابع مصرفی، توان مصرفی پویا و تاخیر، در مقایسه با مدار دقیق، به ترتیب 50، 50 و 25 درصد بهبود حاصل شده است. ارزیابی معیارهای خطا از جمله شامل NMED و MRED نشاندهندهی مقادیر نزدیک با سایر کارهای موجود است. مدار پیشنهادی برای ارزیابی کیفی در نرم افزار متلب در یک مدل یادگیری ماشینی مبتنی بر شبکه عصبی پیشخور بهکار رفته و نشان داده شده که به طور میانگین 12/۰ و ۱۱/۰ درصد به ترتیب در رگرسیون خطی و تشخیص لبه افزایش خطا ایجاد شده که در چنین کاربردهایی قابل قبول است. به دلیل استفاده از دادههای تصادفی آزمون t-test برای تحلیل دقت به کار رفت. نتایج آزمون نشان میدهد که با سطح اطمینان ۸۶٪، نمیتوان گفت مدل تقریبی و مدل دقیق تفاوت معنیداری در دقت دارند. | ||
| کلیدواژهها | ||
| محاسبات تقریبی؛ یادگیری ماشینی؛ ضربکننده تقریبی؛ تراشههای قابل برنامهریزی | ||
| موضوعات | ||
| سخت افزار | ||
| عنوان مقاله [English] | ||
| Design of an approximate and optimal 6-bit multiplier circuit for implementation on FPGA with application in machine learning | ||
| نویسندگان [English] | ||
| HamidReza Ahmadifar1؛ Mahsa Gholami1؛ Soheil Fallah Bagherinezhad2 | ||
| 1Department of computer engineering, Faculty of engineering, University of Guilan | ||
| 2Department of computer engineering, Faculty of engineering, University of Guilan, Rasht, Iran | ||
| چکیده [English] | ||
| Implementing machine learning algorithms on programmable chips requires substantial hardware resources and logic blocks, which imposes limitations on their deployment. One effective approach to reduce resource usage is employing approximate computing circuits. Multiplication is typically one of the main targets in approximate computation since it plays a key role in increasing both resource consumption and computational delay. In this paper, approximate 5:2 and 6:2 compressors are proposed for use in a 6-bit multiplier circuit. The proposed design was first simulated using VHDL and then implemented and synthesized in Vivado on a ZedBoard Zynq platform from the Zynq-7000 family. Synthesis results show improvements of 50%, 50%, and 25% in resource utilization, dynamic power consumption, and delay, respectively, compared to the exact design. Error metrics evaluation, including NMED and MRED, demonstrates values comparable to other existing works. For qualitative evaluation, the proposed circuit was applied in a MATLAB-based machine learning model using a feedforward neural network. The results show that the average error increased by only 0.12% and 0.11% in linear regression and edge detection applications, respectively, which are acceptable for such use cases. Since random data were used, a t-test was conducted to analyze the accuracy. The test results indicate that, with a confidence level of 86%, there is no statistically significant difference in accuracy between the approximate and exact models. | ||
| کلیدواژهها [English] | ||
| approximate computing, machine learning, approximate multiplier, FPGA | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 3 |
||