علیرضا صنوبری - دانشجوی کارشناسی ارشد، دانشکده برق و کامپیوتر، دانشگاه تربیت مدرس
امید اکبری - استادیار، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس

کاربردهای هوش مصنوعی و شبکه های عصبی عمیق به دلیل توسعه شتاب دهنده های کارآمد در حال رشد هستند. استقرار گسترده اینشتاب دهنده ها موجب می شود که مصرف انرژی و کارایی آن ها بسیار مورد توجه قرار گیرد. بیش مقیاس بندی ولتاژ یکی از روش های مورداستفاده برای کاهش مصرف انرژی مدارهای دیجیتال است. این روش می تواند مصرف انرژی مدار را به میزان قابل توجهی کاهش دهد. اماممکن است منجر به بروز خطاهای زمانی در خروجی مدار شود. تاکنون روش های مختلفی برای کاهش این خطاها پیشنهاد شده است. مانندهرس کردن، بازآموزی و اصلاح خطا، برخی از الگوریتم ها، از جمله شبکه های عصبی عمیق، دارای تاب آوری ذاتی در برابر خطا و نویز هستند.البته این مقاومت و انعطاف پذیری به بزرگی خطای ایجاد شده و همچنین معماری سخت فزار مورد استفاده بستگی دارد. از این رو جهتاستفاده از تکنیک بیش مقیاس بندی ولتاژ نیاز است تا میزان خطای ایجاد شده با استفاده از این روش تحلیل گردد. در این پژوهش سعی شدهاست تا با شبیه سازی مدار محاسباتی یک نورون در شبکه عصبی در شرایط کاری با ولتاژ بیش مقیاس شده اثر خطای زمانی در خروجی نورونبررسی گردد. نتایج نشان می دهد در صورت استفاده از این تکنیک صرفا در واحدهای ضرب کننده یک نورون، خطاهای زمانی از توزیع آماری نرمال با میانگین و واریانس مشخص پیروی می کنند و از این رو خطای ایجاد شده در سخت افزار با توزیع مشخص قابل پیش بینی است.

بیش مقیاس بندی ولتاژ، شتاب دهنده، شبکه عصبی، محاسبات تقریبی