MANIAC: BDD Manipulation für Approximate Computing
Zusammenfassung der Projektergebnisse
Um den Leistungshunger moderner Mobilgeräte und Computer gerecht zu werden, werden Schaltkreise immer kleiner und schneller. Dies wird sicherlich auch noch so weitergehen (z.B. mehr Kerne oder weitere Miniaturisierung), aber die Grenzen der Miniaturisierung sind bald erreicht - die Energieeffizienz und Leistungsfähigkeit der Hardware-Komponenten lässt sich nicht beliebig steigern. Deshalb wurde sich im Rahm des Projekts MANIAC mit Approximate Computing (zu Deutsch "annäherndes Rechnen") beschäftigt. Approximate Computing zielt darauf ab, die Eigenschaft vieler Anwendungen, von Natur aus fehlertolerant zu sein, auszunutzen um die Energieeffizienz und Leistungsfähigkeit über das zurzeit erreichbare Maß hinaus zu steigern. Dabei wurden sowohl Verfahren zur Approximation von Schaltkreisen, als auch Verfahren zur Auswertung von Fehlermetriken entwickelt. Zur Approximation wurden sowohl heuristische, als auch exakte Verfahren entwickelt, die auf verschiedenen Datenstrukturen, insbesondere BDDs und AIGs, arbeiten. Außerdem konnte erstmals eine geschlossene formale Methode zur Evaluation von Fehlermetriken entwickelt werden - hierfür wurde erstmals Symbolische Computer Algebra im Rahmen von Approximate Computing verwendet. Des Weiteren wurden auch Miter-basierte Ansätze entwickelt und etabliert, die auf SAT-basierte Probleme abbildbar sind. Neben Algorithmen zur praktischen Anwendung von Approximate Computing wurden auch theoretische Fragestellungen betrachtet, insbesondere konnte relevanten Fehlermetriken Komplexitätsklassen zugeordnet werden.
Projektbezogene Publikationen (Auswahl)
- Approximation-aware Rewriting of AIGs for Error Tolerant Applications. In International Conference on Computer-Aided Design, pages 83:1–83:8, 2016
Arun Chandrasekharan, Mathias Soeken, Daniel Große, and Rolf Drechsler
(Siehe online unter https://doi.org/10.1145/2966986.2967003) - Precise Error Determination of Approximated Components in Sequential Circuits with Model Checking. In Design Automation Conf., pages 129:1–129:6, 2016.
Arun Chandrasekharan, Mathias Soeken, Daniel Große, and Rolf Drechsler
(Siehe online unter https://doi.org/10.1145/2897937.2898069) - One Method - All Error-Metrics: A Three-Stage Approach for Error-Metric Evaluation in Approximate Computing. In Design, Automation and Test in Europe, pages 284–287, 2019
Saman Froehlich, Daniel Große, and Rolf Drechsler
(Siehe online unter https://doi.org/10.23919/DATE.2019.8715138)
