Implementação de uma camada de convolução usando multiplicadores aproximados em FPGA para redes neurais convolucionais

• Processo: 18/00096-1
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Iniciação Científica
• Data de Início da vigência: 01 de abril de 2018
• Data de Término da vigência: 31 de julho de 2018
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Ricardo Menotti
• Beneficiário: Leonardo Tavares Oliveira
• Supervisor: Nader Bagherzadeh
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Instituição Anfitriã: University of California, Irvine (UC Irvine), Estados Unidos
• Vinculado à bolsa: 17/13520-3 - Um acelerador para treinamento de redes neurais convolucionais profundas implementado em FPGA, BP.IC
• Assunto(s): Computação de alto desempenho Computação reconfigurável Inteligência artificial Redes neurais convolucionais Circuitos FPGA
• Palavra(s)-Chave do Pesquisador: Computação Reconfigurável | Fpga | Inteligência Artificial | Multiplicadores Aproximados | Redes Neurais convolucionais | Computação Reconfigurável

Resumo

A evolução da Computação de Alto Desempenho permitiu a popularização de muitos programas e algoritmos que exigiam alto poder computacional, como as redes neurais convolucionais. No entanto, a necessidade de maior precisão na classificação resultou no aumento do número de camadas utilizadas por essas redes, aumentando o consumo de energia de todo o sistema. O projeto de doutorado de Min Soo Kim, orientado pelo Prof. Nader Bagherzadeh na Universidade da Califórnia, Irvine, tem como objetivo reduzir o consumo de energia acima mencionado usando cálculos aproximados para a etapa de inferência, mantendo o mesmo nível de precisão. Um multiplicador aproximado foi proposto por Min Soo Kim, reduzindo o consumo de energia em 76,6% e alcançando a mesma precisão quando comparado com um multiplicador de ponto fixo. Este projeto visa implementar uma camada de convolução primitiva em FPGA usando o multiplicador aproximado proposto por Min Soo Kim, avaliando e comparando os resultados com outros multiplicadores aproximados. (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

YAMASHITA, CINTIA; BRITO, GUSTAVO R. S.; MENDES, RAFAELA N. M.; SANTAROSA, ANA C. A.; DAMASIO, BRUNO, V; DIAS, BEATRIZ; IWAI, FABIANE S.; VICENTE, THAISA M.; TANIGUCHI, NANCY; MONTOYA-MONTES, ISABEL; et al. Sortable silt variations on the continental slope of Campos Basin (SW Atlantic): Implications of oceanographic processes. Journal of South American Earth Sciences, v. 130, p. 11-pg., 2023-09-10. (17/00427-5, 18/00096-1)

KIM, MIN SOO; DEL BARRIO, ALBERTO A.; OLIVEIRA, LEONARDO TAVARES; HERMIDA, ROMAN; BAGHERZADEH, NADER. Efficient Mitchell's Approximate Log Multipliers for Convolutional Neural Networks. IEEE TRANSACTIONS ON COMPUTERS, v. 68, n. 5, p. 660-675, MAY 2019. (18/00096-1)