تجزيه و تحليل آماري خطاي محاسباتي ناشي از بيش مقياس بندي ولتاژ در شتاب‌دهنده‌هاي شبكه عصبي

كاربردهاي هوش مصنوعي و شبكه‌هاي عصبي عميق به دليل توسعه شتاب‌دهنده‌هاي كارآمد در حال رشد هستند. استقرار گسترده اين شتاب‌دهنده‌ها موجب مي‌شود كه مصرف انرژي و كارايي آن‌ها بسيار مورد توجه قرار گيرد. بيش‌مقياس‌بندي ولتاژ يكي از روش هاي مورد استفاده براي كاهش مصرف انرژي مدارهاي ديجيتال است. اين روش مي تواند مصرف انرژي مدار را به ميزان قابل توجهي كاهش دهد. اما ممكن است منجر به بروز خطا‌هاي زماني در خروجي مدار شود. تاكنون روش هاي مختلفي براي كاهش اين خطا‌ها پيشنهاد شده است، مانند هرس كردن، بازآموزي و اصلاح خطا. برخي از الگوريتم‌ها، از جمله شبكه‌هاي عصبي عميق، داراي تاب‌آوري ذاتي در برابر خطا و نويز هستند. البته اين مقاومت و انعطاف‌پذيري به بزرگي خطاي ايجاد شده و همچنين معماري سخت‌افزار مورد استفاده بستگي دارد. از اين رو جهت استفاده از تكنيك بيش‌مقياس‌بندي ولتاژ، نياز است تا ميزان خطاي ايجاد شده با استفاده از اين روش تحليل گردد. در اين پژوهش سعي شده است تا با شبيه‌سازي مدار محاسباتي يك نورون در شبكه عصبي در شرايط كاري با ولتاژ بيش‌مقياس شده، اثر خطاي زماني در خروجي نورون بررسي گردد. نتايج نشان مي‌دهد در صورت استفاده از اين تكنيك صرفاً در واحدهاي ضرب‌كننده يك نورون، خطا‌هاي زماني از توزيع‌ آماري نرمال با ميانگين و واريانس مشخص پيروي مي‌كنند و از اين رو خطاي ايجاد شده در سخت‌افزار با توزيع مشخص قابل پيش‌بيني است.