【深度神经网络加速器的硬件近似技术综述】Hardware Approximate Techniques for Deep Neural Network Accelerators: A Survey

深度神经网络(DNNs)因其在机器学习(ML)中对各种认知任务的高性能而备受欢迎。近年来，DNN在许多任务上的进展已经超出了人类的精度，但代价是计算复杂度很高。因此，为了高效地执行DNN推理，越来越多的研究工作利用DNN固有的误差恢复能力，并采用近似计算(AC)原理来解决DNN加速器的高能量需求。这篇文章提供了一个分析硬件近似技术的DNN加速器的全面综述。首先，我们分析了目前的技术状况，并通过识别近似族，我们聚类各自的工作与近似类型。接下来，我们分析执行评估的复杂性(与数据集和DNN大小有关)，以评估近似DNN加速器的效率、潜力和局限性。此外，还提供了一个广泛的讨论，关于更适合设计DNN加速器的近似单元的误差度量，以及为DNN推理量身定制的精度恢复方法。最后，我们介绍了DNN加速器的近似计算如何超越能源效率，并解决可靠性和安全问题。