Heterogeneous approximate adders for memristive processing in array

Abstract

With the stagnation in improving computer performances, new technologies and computing paradigms are emerging. Memristor-based In-Memory Computing (IMC) is one of the most promising candidates for the post-CMOS era. Processing-In-Array (PIA) is an IMC approach, in which the data never leaves the memory. The downside of memristive PIA, despite versatility and high parallelization capability, is the high latency of each function. With Approximate Computing (AxC), the number of steps and, consequently, the energy can be drastically improved, trading off the accuracy of the calculation. Adders, being fundamental building blocks of modern computing systems, are prime candidates for improvement through AxC. State of the Art (SoA) approximations mainly consist of a Ripple Carry Adder (RCA), where some full adders are calculated by an approximated function instead. With this approach only a fraction of the design space is covered, limiting the potential gains. Here we analyze the concept of heterogeneous Approximate Adder (AxA), in which different full adder approximations are combined to further improve performance. We propose improved homogeneous AxA that serve as the baseline for heterogeneous designs and evaluate them on circuit and application-level. To deal with a larger design space, we propose heuristics optimization approaches such as Genetic Algorithms (GAs), to reduce the number of computations and efficiently extract the Pareto front under different constraints. These designs are applied to different image-processing applications, which leads to reduced latency and energy consumption while maintaining acceptable quality for all applications.

Da die Verbesserung der Computerleistung stagniert, werden neue Technologien und Rechenparadigmen entwickelt. Memristor-basiertes In-Memory Computing (IMC) ist einer der vielversprechendsten Kandidaten für die Post-CMOS-Ära. Processing-In-Array (PIA) ist dabei ein neuartiger Ansatz, beidem die Daten den Speicher nie verlassen. Der Nachteil von PIA ist, trotz ihrer Vielseitigkeit und hohen Parallelisierbarkeit, die hohe Latenzzeit der einzelnen Funktionen. Mit Approximate Computing (AxC) kann die Anzahl der Schritte und damit die Energie drastisch verbessert werden, wobei die Genauigkeit der Berechnung als Kompromiss reduziert wird. Addierer, die grundlegende Bausteine moderner Rechensysteme sind, eignen sich hervorragend für Verbesserungen durch AxC. Stand der Technik-Approximationen bestehen hauptsächlich aus einem Ripple Carry Adder (RCA), bei dem einige Volladdierer durch eine approximierte Funktion getauscht werden. Mit diesem Ansatz wird nur ein Bruchteil des Entwurfsraums abgedeckt, wodurch die potenziellen Gewinne begrenzt werden. Hier analysieren wir das Konzept der heterogenen approximierten Addierer, bei dem verschiedene Volladdierer-Approximationen kombiniert werden, um die Leistung weiter zu verbessern. Wir präsentieren verbesserte homogene approximierte Addierer, die als Basis für heterogene Entwürfe dienen, und evaluieren sie auf Schaltungs- und Anwendungsebene. Um einen größeren Designraum zu bewältigen, schlagen wir Heuristikbasierte Optimisierungsansätze wie Genetische Algorithmen vor, um die Anzahl der Berechnungen zu reduzieren und die Pareto-Front unter verschiedenen Einschränkungen effizient zu extrahieren. Diese Entwürfe werden auf verschiedene Bildverarbeitungsverfahren angewandt, was zu einer Verringerung der Latenzzeit und des Energieverbrauchs führt, wobei die Qualität für alle Anwendungen akzeptabel bleibt.