X-ReAp: Cross(X)-Layer Runtime rekonfigurierbare Ungefähre Architektur

• Antragsteller: Professor Dr. Akash Kumar
• Fachliche Zuordnung: Rechnerarchitektur, eingebettete und massiv parallele Systeme
• Förderung: Förderung von 2017 bis 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 380524764

Näherungsweises Rechnen (Approximative Computing) hat sich als praktikabler Ansatz zur Realisierung hochperformanter und energieeffizienter Hardwarebeschleuniger für fehlerresistente Anwendungen herausgestellt.Unser Team hat seit Beginn des DFG-finanzierten ProjektsReAp: Runtime Reconfigurable Approximate Architecture“ alle Meilensteine erfolgreich gemeistert.Zu den Resultaten gehören neuartige Entwürfe präziser und approximativer Arithmetikmodule (Addierer, Kompressoren, Multiplizierer und Divisionseinheiten), Quantisierungstechniken für geringe Bitbreiten und Unterstützung von Laufzeitapproximation auf Plattformebene.Die vorgeschlagenen Open-Source-Bibliotheken approximativer Arithmetikmodule ermöglichen eine Abwägung zwischen Genauigkeit und Performanz zur Entwurfs- und zur Laufzeit.Unsere vorgeschlagenen Quantisierungsschemata bieten eine größere Ressourcenersparnis bei geringem Genauigkeitsverlust als aktuelle Techniken.Zudem platziert die entwickelte Unterstützung auf Plattformebene diverse Module in rekonfigurierbaren Regionen verschiedener Größe automatisch.Diese Ergebnisse wurden auf hochrangigen IEEE / ACM-Konferenzen, wie DAC, DATE, ASPDAC und Journalen, wie TC und TCAD, gewürdigt und publiziert.Die meisten Arbeiten im Bereich Approximate Computing konzentrieren sich auf einzelne Schichten des Rechnerstacks.Im Verlauf des ReAp-Projekts haben wir jedoch das enorme Potential der Analyse und Kombination von Approximationen über Schichtgrenzen hinweg (Cross-Layer Approximation) für die Realisierung energieeffizienter und hochperformanter approximativer Hardwarebeschleuniger erkannt.Verglichen mit Approximation auf nur einer Schicht, kann Cross-Layer Approximation mehr Betriebspunkte mit besseren Kompromissen zwischen Präzision und Performanz bieten.Deshalb werden wir in diesem Projekt (X-ReAp) ein Framework zur Aufteilung einer Anwendung in mehrere Teilprogramme entwickeln.Es wird den Einfluss verschiedener Approximationen auf die Ergebnisqualität und die Performanz der Anwendung für einzelne Teilprogramme mit Hilfe von Modellen des maschinellen Lernens (ML) analysieren.Es kann beispielsweise die Präzision, Fenstergrößen und Schrittweiten faltungsbasierter Anwendungen analysieren, die erforderlich sind um die Anforderungen an Genauigkeit und Performanz zu erfüllen.Wir werden mit verschiedenen ML-Techniken den Einfluss approximativer Arithmetikmodule auf die Genauigkeit und Performanz jedes Teilprogramms analysieren.Unser Framework wird mit diesen Informationen zulässige Betriebspunkte (Beschleunigerkonfigurationen) ermitteln, die die Gesamtanforderungen an Genauigkeit und Performanz erfüllen.Das wird auch die dynamische Anpassung des Hardwarebeschleunigers an sich zur Laufzeit ändernde Anforderungen durch Laden neuer Konfigurationen ermöglichen.Diese Herangehensweise und das Framework werden mit Anwendungen aus zwei verschiedenen Problemdomänen evaluiert: Gesundheitsüberwachung und Szenenerkennung.

• DFG-Verfahren: Sachbeihilfen