《Computer Communications》：Adaptive energy-aware approximate multiplier with dynamic reconfiguration for IoT edge applications
编辑推荐：
本研究提出了一种面向物联网边缘应用、具备动态重构能力的自适应能量感知近似乘法器（Dynamic Energy-Aware Linear Mapping Multiplier, DE-LMM）。该架构在传统线性映射乘法器（LMM）基础上，集成了自适应控制机制，可根据工作负载和能量状况动态调整截断位宽与误差补偿模块，实现精度-能量的多级权衡。实验表明，16位原型在保持应用级容错能力的同时，可实现最高47%的面积节约、61%的功耗降低和22%的延迟减少，为资源受限的物联网边缘设备提供了一种高效可扩展的解决方案。
亮点
- •
动态参数双重适应：DE-LMM实现了一种二维运行时控制机制，允许同时重构近似级别和尾数截断宽度。这种双参数控制使得架构能够根据实时的能量可用性和服务质量（Quality of Service, QoS）需求，持续在精度-能量的帕累托前沿上进行探索，这是以往如ILMM、Dyrecmul和可调压缩器等近似乘法器所不具备的特性。
- •
自主能量感知控制单元：DEACU集成了实时功耗监控和基于规则的决策逻辑，通过简化的搜索过程来确定理想配置。后综合结果表明，DEACU带来的面积和功耗开销均小于3%，从而证实了其极低的重配置成本。
- •
集成的分析建模：一个结合了能量、延迟和误差的分析模型，将控制参数直接与乘法器性能相关联，既便于设计时调整，也支持面向物联网边缘应用的运行时自适应优化。
这些进步共同将DE-LMM定位为首个自适应线性映射乘法器，为能量受限的物联网平台提供了精确的运行时可配置性、经确认的硬件效率以及经过测试的应用级鲁棒性。
引言
能够在严格资源限制下运行，同时支持容错应用的节能硬件解决方案，在物联网生态系统中正变得至关重要。乘法器作为基本的算术组件，对于提升边缘设备的功耗和面积效率至关重要。我们引入了动态能量感知定点线性映射乘法器（DE-LMM），它是对线性映射乘法器（LMM）的增强，集成了运行时可重构性，以优化精度、功耗和延迟。与具有固定近似级别的传统LMM和ILMM设计不同，DE-LMM拥有一个自适应控制单元，可根据工作负载和能量可用性，动态修改活动误差补偿模块的数量和尾数的截断宽度。该架构的精细管理促进了其在多种精度-能量模式下的运行，且重配置开销可忽略不计。创建的分析模型用以阐明误差、延迟和能量之间的权衡关系，为设计时分析和运行时优化提供预测性见解。16位实现的实验结果表明，DE-LMM在保持应用级容错能力的同时，实现了高达47%的面积减少、61%的功耗节省以及延迟的显著提升。这些发现确立了DE-LMM作为一种可扩展且极其高效的解决方案，适用于能量受限的物联网边缘设备。论文[10]探讨了边缘计算中的动态应用部署问题，其中受限的服务器存储需要在服务延迟和更新所需的能耗之间做出妥协。作者引入了一种创新的部署策略，建立了一个旨在能量约束下最小化延迟的联合优化问题，并使用分支定界法解决了它，并通过仿真展示了其优越性。
研究[11]引入了一种创新的混合自旋CMOS硬件架构，旨在有效执行用于信号重建的正交匹配追踪算法。仿真结果表明，与传统纯CMOS解决方案相比，该方法实现了五倍的能耗降低和二十六倍的面积减少。与具有固定近似级别的传统LMM和ILMM设计不同，DE-LMM拥有一个自适应控制单元，可根据工作负载和能量可用性，动态修改活动误差补偿模块的数量和尾数的截断宽度。该架构的精细控制促进了其在多种精度-能量模式下的运行，且重配置开销可忽略不计。创建的分析模型用以捕捉误差、延迟和能量之间的权衡关系，为设计时分析和运行时优化提供预测性见解。16位实现的实验结果表明，DE-LMM在保持应用级容错能力的同时，实现了高达47%的面积减少、61%的功耗节省以及延迟的显著提升。这些发现确立了DE-LMM作为一种可扩展且高效的解决方案，适用于能量受限的物联网边缘设备。已识别的限制使得本文所详述的研究成为必要，我们在此引入了一种专为物联网边缘设备设计的动态能量感知定点线性映射乘法器。其核心概念是将LMM的模块化架构与一个运行时自适应近似控制单元相结合，该单元能够根据设备当前的能量状态和应用的服务质量需求，修改活动误差补偿模块的数量。这种方法将LMM从一个静态的、设计时优化的乘法器，转变为一个能够在运行时在超低功耗和高精度模式之间轻松切换的自适应算术单元。这种适应性标志着从静态近似计算向运行时自适应算术的根本性转变，构成了DE-LMM的概念基础。
建议的设计通过误差补偿模块的独立操作，实现了近似级别的精确控制，同时将显著的面积开销或切换延迟降至最低。能量感知控制单元持续通过使用轻量级硬件传感器或估算计数器来评估功耗。随后，它执行一个可能是学习得到或基于规则的策略，动态确定适当的近似级别。这种适应性使得乘法器能够利用功耗或精度需求中的时间冗余，在可能时节约能量，并在需要时恢复精度。
除了架构修改，我们还为DE-LMM引入了一个数学化的能量-误差-延迟模型。该模型通过解析地将操作参数和近似级别与预期的能耗和精度度量相关联，便于进行设计时优化和运行时决策的预测。这一概念对于物联网系统尤其有益，因为操作限制可能会由于环境影响、能量收集的波动或动态任务调度而迅速变化。
所提出的DE-LMM克服了当前LMM设计依赖于静态近似级别的主要缺点，通过实现基于实际运行条件的实时修改。物联网设备的这种适应性带来了能耗降低、电池寿命延长和可靠性增强，因为计算质量与系统需求相匹配。
本研究的主要创新和贡献总结如下。
- •
动态参数双重适应：DE-LMM实现了一种二维运行时控制机制，允许同时重构近似级别和尾数截断宽度。这种双参数控制使得架构能够根据实时的能量可用性和服务质量（QoS）需求，持续在精度-能量的帕累托前沿上进行探索，这是以往如ILMM、Dyrecmul和可调压缩器等近似乘法器所不具备的特性。
- •
自主能量感知控制单元：DEACU集成了实时功耗监控和基于规则的决策逻辑，通过简化的搜索过程来确定理想配置。后综合结果表明，DEACU带来的面积和功耗开销均小于3%，从而证实了其极低的重配置成本。
- •
集成的分析建模：一个结合了能量、延迟和误差的分析模型，将控制参数直接与乘法器性能相关联，既便于设计时调整，也支持面向物联网边缘应用的运行时自适应优化。
这些进步共同将DE-LMM定位为首个自适应线性映射乘法器，为能量受限的物联网平台提供了精确的运行时可配置性、经确认的硬件效率以及经过测试的应用级鲁棒性。
需要指出的是，这项工作并未引入新的近似基元；相反，它侧重于集成一个模型驱动的运行时控制，该控制共同调谐截断宽度和补偿级别，以最小的开销实现自适应的精度-能量权衡。
以下是本文的组织结构概述。第2节考察了先前关于定点LMM系统、近似乘法器以及物联网设备节能策略的研究。第3节详细描述了规划的DE-LMM架构。DEACU作为此架构中的能量感知控制单元，集成了模块化误差补偿方案和动态截断。第3.8节讨论了后续的近似阶段，在此阶段通过均衡化和动态缩减实现了增强的节能效果。第4节分析了DE-LMM中的误差，涵盖了不同级别截断和缩放的优缺点。第5节提供了全面的实验评估。最终，第6节总结了研究并探讨了进一步研究的潜在途径。
结论
本研究引入了DE-LMM，这是一种动态可重构的乘法器架构，旨在优化物联网边缘计算中精度与能量经济性之间的平衡。DE-LMM通过用模块化误差补偿组件和双功能归一化-截断阶段来增强线性映射技术实现这一点。一个轻量级的动态能量感知控制单元负责监督运行时自适应，根据功耗和应用需求修改近似级别和尾数宽度。
