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

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)