面向印刷机器学习分类器的模型到电路跨层近似
机器学习
2023-04-04 v1
摘要
印刷电子（PE）具有按需制造、低一次性工程成本以及低于美分的制造成本等优势。它还允许在硅基电路中不可行的高定制化，并且定制架构盛行以提高新兴PE机器学习（ML）应用的效率。然而，即便采用定制架构，PE中的大特征尺寸仍阻碍复杂ML模型在PE中的实现。本文中，我们提出了一种面向定制架构的自动化跨层近似框架，使多层感知机（MLPs）和支持向量机（SVMs）等复杂ML模型能在PE中实现。我们的框架在算法层协同采用硬件驱动的ML模型系数近似、在逻辑层采用网表剪枝、在电路层采用电压过缩放。在12个MLP和12个SVM及超过6000个近似与精确设计上的广泛实验评估表明，我们的模型到电路跨层近似提供了功耗和面积最优的设计，与最先进的精确设计相比，在精度损失小于5%的情况下，平均分别实现51%和66%的面积与功耗降低。最后，我们证明该框架使80%的受检分类器能够以几乎与精确设计相同的精度由电池供电，从而为智能复杂印刷应用铺平道路。
引用
@article{arxiv.2303.08255,
title = {Model-to-Circuit Cross-Approximation For Printed Machine Learning Classifiers},
author = {Giorgos Armeniakos and Georgios Zervakis and Dimitrios Soudris and Mehdi B. Tahoori and Jörg Henkel},
journal= {arXiv preprint arXiv:2303.08255},
year = {2023}
}
备注
Accepted for publication by IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, March 2023. arXiv admin note: text overlap with arXiv:2203.05915