●لندکروزر کوچک تویوتا متولد شد؛ توانایی فوقالعاده FJ در آفرود ●حسینی: مدیریت داخلی و دیپلماسی فعال هزینه تحریمها را کاهش میدهد ●کلاهدوزان: زیست عفیفانه هویتی مستقل از مسائل جنسی به زن میدهد/با بیحجابی سازمان یافته باید مقابله کرد ●افتتاح ۱۱ هزار و ۷۳۳ پروژه و گسترش حمایتهای بیمهای/ اجرای طرح های خانواده محور ●پازوکی: پایان هرچه سریعتر جنگ بهنفع منافع ملی ایران است
جریان آنلاین: پژوهشگران دانشکده مهندسی برق و کامپیوتر دانشگاه تهران در پژوهشی جدید یک ضربکننده تقریبی ممیز شناور با عنوان AFMIS طراحی کردهاند که با بهرهگیری از روش بخشبندی ورودیها ضمن حفظ دقت محاسبات در کاربردهای تحملپذیر خطا، مصرف انرژی و پیچیدگی سختافزاری را به میزان قابلتوجهی کاهش میدهد.
این پژوهش با همکاری اسما ناصریراد، دکتر شقایق وحدت و دکتر علی افضلیکوشا از اعضای هیئتعلمی دانشکده مهندسی برق و کامپیوتر دانشگاه تهران و دکتر مسعود پدرام از دانشگاه کالیفرنیای جنوبی انجام شده است. محققان با تقسیم بخش مانتیس اعداد ممیز شناور به چند قسمت و انجام عملیات ضرب تنها بر روی مهمترین بخشهای غیرصفر، موفق شدند نیاز به مدارهای پیچیده و پرهزینه سختافزاری را حذف کنند. این روش علاوه بر افزایش سرعت پردازش، امکان تنظیم سطح دقت محاسبات را متناسب با نوع کاربرد فراهم میکند.
نتایج ارزیابیهای سختافزاری نشان میدهد که معماری پیشنهادی در مقایسه با ضربکنندههای دقیق ممیز شناور، زمان تأخیر را تا ۸۱.۷ درصد، مساحت مدار را تا ۹۸ درصد و توان مصرفی را تا ۹۹ درصد کاهش داده است. نسخه بهینهسازیشده این معماری نیز بهبودهای قابلتوجهی در مصرف انرژی و بهرهوری سختافزاری به همراه داشته است.
به گزارش ایسنا؛ پژوهشگران برای بررسی عملکرد این معماری در کاربردهای عملی آن را در فشردهسازی تصاویر JPEG و مدلهای یادگیری عمیق مورد ارزیابی قرار دادند. نتایج نشان داد که استفاده از ضربکننده پیشنهادی تأثیر بسیار ناچیزی بر دقت خروجی این سامانهها داشته و در بسیاری از موارد، عملکرد آن تقریباً با ضربکنندههای دقیق یکسان بوده است.
در آزمایشهای انجامشده بر روی شبکههای عصبی عمیق ازجمله ResNet-18، VGG-16 و DenseNet-161 نیز معماری پیشنهادی ضمن حفظ دقت طبقهبندی دادهها، مصرف انرژی را به میزان قابلتوجهی کاهش داده است. تصاویر فشردهسازیشده با استفاده از این ضربکننده نیز از نظر کیفیت بصری تفاوت محسوسی با تصاویر تولیدشده توسط روشهای دقیق نداشتهاند.
این دستاورد پژوهشی میتواند زمینهساز توسعه نسل جدیدی از پردازندههای کممصرف و پرسرعت برای کاربردهایی نظیر هوش مصنوعی، یادگیری ماشین، اینترنت اشیاء و سامانههای پردازش تصویر باشد و نقش مؤثری در ارتقای بهرهوری سختافزارهای محاسباتی آینده ایفا کند.
پایگاه خبری جریان/ جریان آنلاین
