⚡ electrical engineering

EULER-ADAS: Energy-Efficient & SIMD-Unified Logarithmic-Posit Engine for Precision-Reconfigurable Approximate ADAS Acceleration

تقدم هذه الورقة البحثية EULER-ADAS، وهو محرك Posit موحد لعمليات SIMD ومنخفض استهلاك الطاقة، يعتمد على تمثيل النطاق المحدود (bounded-regime representation) والتقليم التكيفي (adaptive truncation) لتحقيق تخفيضات كبيرة في المساحة والتأخير والطاقة مع الحفاظ على دقة قريبة من FP32 لاستنتاج أنظمة مساعدة السائق المتقدمة (ADAS) في الوقت الفعلي ومنخفض استهلاك الطاقة.

المؤلفون الأصليون: Mukul Lokhande, Ratko Pilipovic, Omkar Kokane, Adam Teman, Santosh Kumar Vishvakarma

نُشر 2026-05-11

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Mukul Lokhande, Ratko Pilipovic, Omkar Kokane, Adam Teman, Santosh Kumar Vishvakarma

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تقوم ببناء سيارة روبوت فائقة السرعة وتعمل بالبطارية (نظام مساعدة السائق المتقدم، أو ADAS) وتحتاج إلى "رؤية" الطريق، والتعرف على المشاة، واتخاذ قرارات في أجزاء من الثانية. للقيام بذلك، يستخدم عقل السيارة شبكة عصبية، وهي عبارة عن شبكة معقدة من الحسابات الرياضية.

المشكلة هي أن إجراء هذه الحسابات الرياضية بشكل مثالي (باستما استخدام الأرقام القياسية "ذات الفاصلة العائمة") يشبه محاولة قياس حبة رمل بمسطرة مخصصة لقياس الجبال؛ فهي دقيقة للغاية، لكنها بطيئة، وثقيلة، وتستهلك الكثير من طاقة البطارية.

إليك EULER-ADAS.

فكر في EULER-ADAS كآلة حاسبة جديدة وذكية للغاية مصمم خصيصًا لسيارة الروبوت هذه. إنها لا تحاول أن تكون مثالية، بل تحاول أن تكون "جيدة بما يكفي" للحفاظ على سلامة السيارة مع توفير كميات هائلة من الطاقة والمساحة. إليك كيف يعمل، مقسمًا إلى مفاهيم بسيطة:

1. تنسيق الـ "Posit" المحدود: مسطرة مرنة مع غطاء أمان

تنسيقات الرياضيات القياسية جامدة. تقدم الورقة البحثية طريقة جديدة لكتابة الأرقام تسمى "Posit"، وهي تشبه مسطرة مرنة يمكنها التمدد لقياس كل من النمل الصغير والحيتان العملاقة. ومع ذلك، فإن لهذه المرونة عيبًا: إذا تغيرت بت واحدة من البيانات (مثل صدمة استاتيكية)، يمكن للرقم أن ينحرف بشكل جامح، مما يحول علامة "قف" إلى علامة "انطلق".

يستخدم EULER-ADAS نسخة "Posit محدودة". تخيل أنك تأخذ تلك المسطرة المرنة وتضع غطاء أمان على نهاياتها؛ لا تزال بإمكانها قياس نطاق واسع من الأحجام، لكن لا يمكنها التمدد أكثر من اللازم.

الفائدة: إذا تغيرت بت واحدة، فسيتم احتواء الخطأ. الأمر يشبه وجود شبكة أمان تمسك بسيارة الروبوت قبل أن تسقط من فوق منحدر. هذا يجعل النظام أكثر موثوقية في العالم الحقيقي.

2. المضروب اللوغاريتمي: الطاهي الذي يستخدم "الطرق المختصرة"

الجزء الأصعب في عقل الروبوت هو الضرب (حساب مدى سرعة حركة السيارة، أو بعد جسم ما، وما إلى ذلك). القيام بذلك بدقة هو مثل خبز كعكة من الصفر في كل مرة — دقيق، بيض، سكر، خلط، ثم خبز. إنه يستغرق وقتًا طويلاً ويستهلك الكثير من الطاقة.

يستخدم EULER-ADAS "مضروبًا لوغاريتميًا". هذا يشبه وجود "خليط كعك جاهز" أو طريق مختصر. بدلًا من القيام بالرياضيات الصعبة للضرب، فإنه يحول المشكلة إلى عملية جمع بسيطة.

المقايضة: قد لا تكون الكعكة مطابقة بنسبة 100% للنسخة المصنوعة من الصفر، لكن طعمها يشبهها بنسبة 99% وتستغرق وقتًا نصف الوقت المطلوب للخبز.
ميزة "التكيف مع المراحل": النظام ذكي. إذا كان يقوم بمهمة بسيطة (مثل عد السيارات)، فإنه يستخدم طريقًا مختصرًا سريعًا وغير دقيق للغاية. وإذا كان يقوم بمهمة حرجة (مثل اكتشاف طفل)، فإنه يضيف بعض الخطوات الإضافية إلى الطريق المختصر لجعله أكثر دقة. إنه يعدل "جهده" بناءً على الوظيفة.

3. محرك SIMD: خط التجميع

عادةً، يقوم الكمبيوتر بإجراء عملية حسابية واحدة، ثم التي تليها، وهكذا. يستخدم EULER-ADAS تقنية SIMD (تعليمات واحدة، بيانات متعددة).

التشبيه: تخيل مصنع خط تجميع. بدلًا من أن يقوم عامل واحد ببناء سيارة كاملة في كل مرة، لديك خط حيث يقوم عامل واحد بتركيب العجلات على 4 سيارات في وقت واحد، ثم ينتقل إلى الخطوة التالية.
النتيجة: يمكن لـ EULER-ADAS معالجة أرقام صغيرة ومتوسطة وكبيرة جميعها على نفس خط التجميع دون الحاجة إلى بناء مصنع جديد لكل حجم. هذا يوفر قدرًا هائلاً من المساحة (مساحة السيليكون) والطاقة.

4. النتائج: سريعة، صغيرة، وفعالة

قام الباحثون ببناء هذا المحرك واختبروه بطريقتين:

على شريحة (ASIC): قاموا ببناء نسخة مادية من هذا المحرك. إنها صغيرة للغاية (حوالي حجم حبة أرز صغيرة، أو 0.015 مليمتر مربع) وتعمل بسرعة البرق (تصل إلى 1.84 مليار مرة في الثانية). وهي تستهلك طاقة أقل بنسبة 72% من المحركات القياسية الدقيقة.
على نموذج أولي حقيقي: وضعوا المحرك على لوحة تطوير تسمى Pynq-Z2 وشغلوا نظام اكتشاف أجسام حقيقي (Tiny-YOLOv3).
- النتيجة: عالج إطار فيديو في غضن 78 مللي ثانية فقط (أقل من طرفة عين) بينما استخدم كهرباء قليلة جدًا (0.29 واط).

5. هل يعمل؟ (الدقة)

قد تقلق من أن اتخاذ الطرق المختصرة قد يجعل الروبوت يرى الأشياء بشكل خاطئ. اختبرت الورقة البحثية هذا على مهام مختلفة:

تصنيف الصور: التعرف على القطط، الكلاب، وعلامات المرور.
مهام ADAS: اكتشاف المركبات، المشاة، وخطوط المسار.
مهام أخرى: حتى بعض مهام اللغة والكلام.

الحكم النهائي: كان المحرك الذي يستخدم "الطرق المختصرة" دقيقًا تقريبًا مثل المحرك المثالي. في المهام الأكثر أهمية (مثل التعرف على أحد المشاة)، كانت نسبة الفرق في الدقة أقل من 1.5%. في العالم الحقيقي، هذا يعني أن سيارة الروبوت ترى الطريق تمامًا كما تفعل النسخة المكلفة والمستهلكة للطاقة، ولكنها تعمل بدرجة حرارة أقل وتدوم لفترة أطول على البطارية.

الملخص

EULER-ADAS هو عقل جديد وموفر للطاقة لسيارات القيادة الذاتية. يستخدم نظام أرقام "محدود بسلامة" لمنع الأخطاء، وطريقة حساب "مختصرة" لتوف توفير الطاقة، وخط تجميع "متعدد المسارات" لتسريع العمل. إنه يثبت أنك لا تحتاج إلى رياضيات مثالية للقيادة بأمان؛ بل تحتاج فقط إلى رياضيات ذكية وفعالة.

ملخص تقني: EULER-ADAS: محرك EULER-ADAS الموحد لعمليات SIMD واللوغاريتمات منخفضة الطاقة والموجهة نحو الـ Posit، من أجل تسريع أنظمة مساعدة السائق المتقدمة (ADAS) القابلة لإعادة التشكيل بدقة.

بيان المشكلة
تتطلب أنظمة مساعدة السائق المتقدمة (ADAS) محركات حوسبة عصبية (NCEs) قادرة على إجراء الاستدلال بـزمن انتقال منخفض تحت قيود صارمة للطاقة والمساحة. وبينما توفر حسابات الـ Posit مقايضة مواتية بين الدقة ونطاق الديناميكية عند عرض بتات منخفض مقارنة بمعيار IEEE 754 للحسابات العائمة، فإن ترميز النطاق متغير الطول (VLRE) يفرض عبئاً كبيراً على الأجهزة. وتحديداً، يؤدي VLRE إلى تعقيد عملية فك تشفير المعاملات (operands) وتشفير النتائج، مما يزيد من زمن الانتقال والمساحة. علاوة على ذلك، يجعل حقل النطاق متغير الطول تمثيلات الـ Posit القياسية حساسة للغاية للأخطاء البرمجية (soft errors)؛ حيث يمكن لقلب بت واحد في حقل النطاق أن يتسبب في انحرافات عددية كارثية، وهو أمر بالغ الأهمية لمهام الإدراك المتعلقة بالسلامة. كما أن الحلول الحالية إما تضحي بمزايا النطاق الديناميكي للـ Posits باستخدام متغيرات ذات نطاق ثابت، أو تفشل في تحسين منطق الترميز/فك التشفير، وضرب المانتيسة (mantissa)، ومسارات التراكم بشكل مشترك لتحقيق كفاءة الطاقة والموثوقية.

المنهجية
يقترح البحث EULER-ADAS، وهو محرك حوسبة عصبية مدعوم بتقنية SIMD ويعتمد على الـ Posit اللوغاريتمي المحدود، مصمم لمعالجة هذه التحديات من خلال مسار بيانات موحد وقابل لإعادة تشكيل الدقة. تدمج البنية ثلاثة محاور تصميمية رئيسية:

تمثيل الـ Posit ذو النطاق المحدود (B-Posit): للتخفيف من حساسية الخطأ وتعقيد الأجهزة الناتج عن VLRE، اعتمد المؤلفون تمثيلاً ذا نطاق محدود ($bPosit(N, es, R) $). ومن خلال تحديد الحد الأقصى لطول النطاق ($ R$)، تقلل البنية من شدة أخطاء حقل النطاق وتبسط منطق فك التشفير/التشفير، مما يلغي الحاجة إلى سلاسل استخراج معقدة متغيرة الطول.
الضرب اللوغاريتمي المتكيف مع المراحل: تستبدل مرحلة ضرب المانتيسة مضربات Radix-4 Booth الدقيقة بمضاعفات لوغاريتمية متكيفة مع المراحل (ILMs). هذا النهج يحول عملية الضرب إلى جمع في المجال اللوغاريتمي، مما يقلل بشكل كبير من تعقيد الدوائر. يتضمن التصميم قطع البتات (bit truncation) بعد الكشف عن الرقم الأول (leading-one detection)، مما يسمح لجعل عدد المراحل اللوغاريتمية ( $n$ ) والبتات المحتفظ بها ( $m$ ) بمثابة أدوات ضبط لموازنة خطأ الحساب مقابل تكلفة الأجهزة.
تراكم Quire المشترك عبر SIMD: يدعم مسار البيانات الموحد أوضاع تنفيذ Posit-(8,0)، وPosit-(16,1)، وPosit-(32,2) دون تكرار الأجهزة الخاصة بكل دقة. تستخدم البنية مسار تراكم quire مشترك بقدر 128 بت مع شجرة جامع (adder tree) قابلة للتشكيل عبر SIMD، مما يتيح عمليات 4× Posit-8، أو 2× Posit-16، أو 1× Posit-32.

يربط إطار العمل التصميمي تحليلياً بين حد النطاق $R$ ، وعدد المراحل اللوغاريتمية $n$ ، وعرض القطع $m$ بـ "الخطأ الكارثي المتوقع" (ECE) وحدود خطأ التقريب النسبي، مما يوجه اختيار المعلمات لأنماط الدقة المحددة.

المساهمات الرئيسية

أول محرك حوسبة عصبية (NCE) تقريبي يعتمد على B-Posit: يقدم البحث أول محرك حوسبة عصبية تقريبي يدمج ترميز/فك تشفير B-Posit ذو النطاق المحدود، وضرب المانتيسة اللوغاريتمي المتكيف بالمراحل، وتراكم quire المشترك عبر SIMD في مسار بيانات موحد واحد.
إطار عمل قابل للتشكيل من حيث الدقة والتكلفة: تم تقديم إطار عمل لضرب الـ Posit اللوغاريتمي حيث تعمل عدد المراحل وعرض القطع كمعلمات قابلة للضبط لضبط الدقة عبر أوضاع Posit-8 وPosit-16 وPosit-32.
بنية موحدة متعددة الدقة: يحقق التصميم عمليات متعددة الدقة (8/16/32 بت) ضمن هيكل أجهزة مشترك، متجنباً عبء المساحة الناتج عن تكرار وحدات MAC الخاصة بكل دقة.
تقييم شامل: يقدم العمل تقييمات واسعة النطاق على مستوى FPGA وASIC بتقنية 28 نانومتر، إلى جانب التحقق على مستوى التطبيقات عبر مهام تصنيف الصور، وإدراك ADAS، وأعباء عمل الاستدلال الطرفي.

النتائج

كفاءة الأجهزة: تُظهر نتائج التنفيذ على FPGA أن التكوينات المقترحة تقلل من عدد وحدات LUT بنسبة تصل إلى 41.4%، والتأخير بنسبة تصل إلى 76.1%، والطاقة بنسبة تصل إلى 71.9% مقارنة بمحركات NCE الخاصة بـ Posit الدقيقة. كما أن ناتج الطاقة والتأخير (EDP) أقل بمقدار 10 أضعاف مقارنة بمضاعفات Posit القائمة على Radix-4 Booth.
أداء ASIC: في عملية تصنيع CMOS بدقة 28 نانومتر، تشغل المتغيرات المحدودة مساحة تتراوح بين 0.013–0.016 مم² وتستهلك 19.8–22.1 ميجاوات، وتعمل بترددات تصل إلى 1.84 جيجاهرتز. مقارنة بالتصاميم التقريبية السابقة الأكثر دمجاً، تقلل متغيرات EULER-ADAS المحدودة المساحة والطاقة بنحو النصف تقريباً.
دقة التطبيق: عبر تصنيف الصور (VGG-16, ResNet-50, ViT-B, MobileNetv2, ResNet-18) وأعباء عمل ADAS المتنوعة (كشف الأجسام، مراقبة السائق، التعرف على علامات المرور، والتحكم النهائي)، تظل تكوينات Posit-16 وPosit-32 ضمن نطاق 1.5 نقطة مئوية تقريباً من دقة FP32.
التحقق على مستوى النظام: حقق نموذج أولي لـ Tiny-YOLOv3 تم نشره على FPGA من نوع Pynq-Z2 زمن انتقال قدره 78 مللي ثانية عند 0.29 واط (22.6 ميلي جول لكل إطار)، مما يثبت ملاءمته للاستدلال في الوقت الفعلي لأنظمة ADAS منخفضة الطاقة.

الأهمية
يزعم البحث أن EULER-ADAS يمثل خطوة مهمة للأمام في نشر حسابات الـ Posit للذكاء الاصطنا edge (الطرفي) الحساس للسلامة. فمن خلال الجمع بين تمثيل النطاق المحدود والحسابات اللوغاريتمية التقريبية، تعالج البنية في آن واحد مخاوف الموثوقية المتعلقة بالترميز متغير الطول والتكاليف العالية للأجهزة للحسابات الدقيقة. ويؤكد المؤلفون أن هذا هو أول مضاعف لوغاريتمي تقريبي مصمم خصيصاً لتنسيق B-Posit، مما يوفر مساراً قابلاً للتطبيق لمسرعات موفرة للطاقة، ومرنة تجاه الأخطاء، وقابلة لإعادة تشكيل الدقة دون التضحية بالدقة على مستوى التطبيق.