تجزیه و تحلیل آماری خطای محاسباتی ناشی از بیش مقیاس بندی ولتاژ در شتاب‌دهنده‌های شبکه عصبی

کاربردهای هوش مصنوعی و شبکه‌های عصبی عمیق به دلیل توسعه شتاب‌دهنده‌های کارآمد در حال رشد هستند. استقرار گسترده این شتاب‌دهنده‌ها موجب می‌شود که مصرف انرژی و کارایی آن‌ها بسیار مورد توجه قرار گیرد. بیش‌مقیاس‌بندی ولتاژ یکی از روش های مورد استفاده برای کاهش مصرف انرژی مدارهای دیجیتال است. این روش می تواند مصرف انرژی مدار را به میزان قابل توجهی کاهش دهد. اما ممکن است منجر به بروز خطا‌های زمانی در خروجی مدار شود. تاکنون روش های مختلفی برای کاهش این خطا‌ها پیشنهاد شده است، مانند هرس کردن، بازآموزی و اصلاح خطا. برخی از الگوریتم‌ها، از جمله شبکه‌های عصبی عمیق، دارای تاب‌آوری ذاتی در برابر خطا و نویز هستند. البته این مقاومت و انعطاف‌پذیری به بزرگی خطای ایجاد شده و همچنین معماری سخت‌افزار مورد استفاده بستگی دارد. از این رو جهت استفاده از تکنیک بیش‌مقیاس‌بندی ولتاژ، نیاز است تا میزان خطای ایجاد شده با استفاده از این روش تحلیل گردد. در این پژوهش سعی شده است تا با شبیه‌سازی مدار محاسباتی یک نورون در شبکه عصبی در شرایط کاری با ولتاژ بیش‌مقیاس شده، اثر خطای زمانی در خروجی نورون بررسی گردد. نتایج نشان می‌دهد در صورت استفاده از این تکنیک صرفاً در واحدهای ضرب‌کننده یک نورون، خطا‌های زمانی از توزیع‌ آماری نرمال با میانگین و واریانس مشخص پیروی می‌کنند و از این رو خطای ایجاد شده در سخت‌افزار با توزیع مشخص قابل پیش‌بینی است.