Dissertação de Guilherme Meneguzzi Malfatti

Aluno: Guilherme Meneguzzi Malfatti
Orientador: Prof. Dr. Antonio Carlos Schneider Beck Filho
Coorientador: Luigi Carro

Título: Técnicas de Agrupamento de Dados para Computação Aproximativa

Linha de Pesquisa: Sistemas Embarcados

Data: 28/07/2017
Hora: 13h 30min.
Local: Prédio 43412 – Sala AUD-1 (Auditório 1), Instituto de Informática

Banca Examinadora:
Prof. Dr. Gabriel Luca Nazar (UFRGS)
Prof. Dr. Edison Pignaton de Freitas (UFRGS)
Prof. Dr. Marcelo Gotz ( Engenharia – UFRGS)

Presidente da Banca: Prof. Dr. Antonio Carlos Schneider Beck Filho

Resumo: Dois dos principais fatores do aumento da performance em aplicações single-thread – frequência de operação e exploração do paralelismo no nível das instruções – tiveram pouco avanço nos últimos anos devido a restrições de potência. Neste contexto, considerando a natureza tolerante a imprecisões (i.e.: suas saídas podem conter um nível aceitável de ruído sem comprometer o resultado final) de muitas aplicações atuais, como processamento de imagens e aprendizado de máquina, a computação aproximativa torna-se uma abordagem atrativa. Esta técnica baseia-se em computar valores aproximados ao invés de precisos o que, por sua vez, pode aumentar o desempenho e reduzir o consumo energético ao custo de qualidade.
No atual estado da arte, a forma mais comum de exploração da técnica é através de redes neurais (mais especificamente, o modelo Multilayer Perceptron), devido à capacidade destas estruturas de aprender funções arbitrárias e aproximá-las. Tais redes são geralmente implementadas em um hardware dedicado, chamado acelerador neural. Contudo, essa execução exige uma grande quantidade de área em chip e geralmente não oferece melhorias suficientes que justifiquem este espaço adicional.
Este trabalho tem por objetivo propor um novo mecanismo para fazer computação aproximativa, baseado em reuso aproximativo de funções e trechos de código. Esta técnica agrupa automaticamente entradas e saídas de dados por similaridade, armazena-os em uma tabela em memória controlada via software. A partir disto, os valores quantizados podem ser reutilizados através de uma busca a essa tabela, onde será selecionada a saída mais apropriada e desta forma a execução do trecho de código será substituído. A aplicação desta técnica é bastante eficaz, sendo capaz de alcançar uma redução, em média, de 97.1% em Energy-Delay-Product (EDP) quando comparado a aceleradores neurais.

Palavras-chave: Computação  Aproximativa; Clusterização  de  Dados; Redes  Neurais; Alta performance.