Design Space Exploration of Approximate Computing Techniques with a Reinforcement Learning Approach

要約

近似コンピューティング (AxC) 技術は、さまざまなアプリケーションでパフォーマンス向上と精度のトレードオフとしてますます一般的になってきています。
特定のアプリケーションに最適な AxC 技術を選択するのは困難です。
設計空間を探索するために提案されているアプローチの中で、強化学習 (RL) などの機械学習アプローチは有望な結果を示しています。
この論文では、精度の低下と消費電力および計算時間の削減のバランスをとるアプリケーションの近似バージョンを見つけるための、RL ベースの多目的設計空間探索戦略を提案しました。
私たちの実験結果は、一部のベンチマークについて、精度の低下と電力と計算時間の減少との間で良好なトレードオフが得られることを示しています。

要約(オリジナル)

Approximate Computing (AxC) techniques have become increasingly popular in trading off accuracy for performance gains in various applications. Selecting the best AxC techniques for a given application is challenging. Among proposed approaches for exploring the design space, Machine Learning approaches such as Reinforcement Learning (RL) show promising results. In this paper, we proposed an RL-based multi-objective Design Space Exploration strategy to find the approximate versions of the application that balance accuracy degradation and power and computation time reduction. Our experimental results show a good trade-off between accuracy degradation and decreased power and computation time for some benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google