ADIC：基于近似计算的65nm CMOS异常检测集成电路
信号处理
2020-08-24 v1 硬件体系结构
机器学习
摘要
本文提出一种基于一类分类器(OCC)神经网络的低功耗异常检测集成电路(ADIC)。ADIC 通过以下组合实现低功耗运行：(a) 谨慎选择在线学习算法，以及 (b) 采用近似计算技术降低平均能耗。具体而言，使用在线伪逆更新方法(OPIUM)训练随机神经网络，以实现快速且资源高效的学习。当使用更轻量版 OPIUM 方法训练且数据样本数相同时，可实现额外 42% 的节能，且对推理质量无显著折损。我们选择 K 个基学习器集成的方案，而非具有大量神经元的单一分类器，从而将学习内存减少 K 倍。这也通过基于异常检测动态改变神经网络规模实现了近似计算。ADIC 采用 65nm CMOS 工艺制造，具有 K=7 个基学习器(BL)，每个 BL 含 32 个神经元，在 Vdd=0.75V 且全部 7 个 BL 启用时，学习与推理功耗分别为 11.87pJ/OP 和 3.35pJ/OP。此外，在 NASA 轴承数据集上评估表明，芯片约 80% 可在 99% 生命周期内关断，从而实现 0.48pJ/OP 的能效，较全精度计算在 Vdd=1.2V 下全周期运行降低 18.5 倍。
引用
@article{arxiv.2008.09442,
title = {ADIC: Anomaly Detection Integrated Circuit in 65nm CMOS utilizing Approximate Computing},
author = {Bapi Kar and Pradeep Kumar Gopalakrishnan and Sumon Kumar Bose and Mohendra Roy and Arindam Basu},
journal= {arXiv preprint arXiv:2008.09442},
year = {2020}
}
备注
12