ارتقای کارایی شتاب‌دهنده‌های هوش مصنوعی و پردازش تصویر در دانشگاه تهران

پژوهشگران دانشکده مهندسی برق و کامپیوتر دانشگاه تهران با ارائه یک معماری نوین برای ضرب‌کننده‌های ممیز شناور (Floating-Point Multiplier)، موفق به کاهش چشمگیر توان مصرفی، مساحت تراشه و زمان تأخیر در محاسبات شدند. این دستاورد می‌تواند نقش مهمی در افزایش بهره‌وری سامانه‌های هوش مصنوعی، شبکه‌های عصبی و پردازش تصویر ایفا کند.

ارتقای کارایی شتاب‌دهنده‌های هوش مصنوعی و پردازش تصویر در دانشگاه تهران

پژوهشگران دانشکده مهندسی برق و کامپیوتر دانشگاه تهران با ارائه یک معماری نوین برای ضرب‌کننده‌های ممیز شناور (Floating-Point Multiplier)، موفق به کاهش چشمگیر توان مصرفی، مساحت تراشه و زمان تأخیر در محاسبات شدند. این دستاورد می‌تواند نقش مهمی در افزایش بهره‌وری سامانه‌های هوش مصنوعی، شبکه‌های عصبی و پردازش تصویر ایفا کند.

به گزارش مجله خبری نگار،  پژوهشگران دانشکده مهندسی برق و کامپیوتر دانشگاه تهران در پژوهشی جدید، یک ضرب‌کننده تقریبی ممیز شناور با عنوان AFMIS (Approximate Floating-point Multiplier based on Input Segmentation) طراحی کرده‌اند که با بهره‌گیری از روش بخش‌بندی ورودی‌ها، ضمن حفظ دقت محاسبات در کاربردهای تحمل‌پذیر خطا، مصرف انرژی و پیچیدگی سخت‌افزاری را به میزان قابل توجهی کاهش می‌دهد.

منبع  : نگار مگ

برای مشاهده کامل مطلب کلیک کنید

اشتراک‌گذاری

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *