⚡ electrical engineering

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

Dit artikel presenteert EULER-ADAS, een energie-efficiënte, SIMD-gedreven logaritmische Posit-engine die gebruikmaakt van een begrensd-regime representatie en adaptieve truncatie om aanzienlijke verminderingen in oppervlakte, vertraging en vermogen te realiseren, terwijl tegelijkertijd een nauwkeurigheid dicht bij FP32 wordt behouden voor real-time, energiezuinige ADAS-inferentie.

Oorspronkelijke auteurs: Mukul Lokhande, Ratko Pilipovic, Omkar Kokane, Adam Teman, Santosh Kumar Vishvakarma

Gepubliceerd 2026-05-11

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Mukul Lokhande, Ratko Pilipovic, Omkar Kokane, Adam Teman, Santosh Kumar Vishvakarma

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een supersnelle, op batterijen werkende robotauto bouwt (een Geavanceerd Bestuurdersassistentiesysteem, of ADAS) die de weg moet "zien", voetgangers moet herkennen en in een splitseconde beslissingen moet nemen. Hiervoor gebruikt het brein van de auto een neurale netwerken—een complex web van wiskundige berekeningen.

Het probleem is dat het perfect uitvoeren van deze wiskundige berekeningen (met standaard "floating-point" getallen) vergelijkbaar is met het proberen te meten van een korrel zand met een liniaal die bedoeld is voor het meten van bergen. Het is ongelooflijk nauwkeurig, maar het is traag, zwaar en verbruikt veel batterijvermogen.

Maar dan komt EULER-ADAS.

Stel je EULER-ADAS voor als een nieuwe, superslimme rekenmachine die specifiek voor deze robotauto is ontworpen. Het probeert niet perfect te zijn; in plaats daarvan probeert het "goed genoeg" te zijn om de auto veilig te houden, terwijl het enorme hoeveelheden energie en ruimte bespaart. Hier is hoe het werkt, uiteengezet in eenvoudige concepten:

1. Het "Gebonden" Posit-formaat: Een Flexibele Liniaal met een Veiligheidslimiet

Standaard wiskundige formaten zijn stijf. Het artikel introduceert een nieuwe manier om getallen te schrijven, genaamd Posit, die lijkt op een flexibele liniaal die kan rekken om zowel tiny mieren als reuzenwalvissen te meten. Deze flexibiliteit heeft echter een gebrek: als één bit van de gegevens omklapt (zoals een statische schok), kan het getal volledig verkeerd gaan, waardoor een "stop"-bord verandert in een "ga"-bord.

EULER-ADAS gebruikt een "Gebonden Posit" versie. Stel je voor dat je die flexibele liniaal neemt en aan beide uiteinden een veiligheidslimiet plaatst. Het kan nog steeds een enorm bereik van maten meten, maar het kan niet te ver rekken.

Het Voordeel: Als een bit omklapt, wordt de fout opgevangen. Het is alsof je een veiligheidsnet hebt dat de robotauto vangt voordat hij van een klif valt. Dit maakt het systeem veel betrouwbaarder in de echte wereld.

2. De Logaritmische Vermenigvuldiger: De "Shortcut"-Kok

Het moeilijkste deel van het brein van de robot is vermenigvuldigen (berekenen hoe snel een auto beweegt, hoe ver een object weg is, enzovoort). Dit exact doen is alsof je elke keer opnieuw een taart van scratch bakt—bloem, eieren, suiker, mengen, bakken. Het kost veel tijd en gebruikt veel energie.

EULER-ADAS gebruikt een Logaritmische Vermenigvuldiger. Dit is alsof je een "voorgebakken taartmix" of een shortcut hebt. In plaats van de moeilijke wiskunde van vermenigvuldiging te doen, zet het het probleem om in eenvoudige optelling.

De Ruil: De taart is misschien niet exact 100% identiek aan de van scratch gemaakte versie, maar hij smaakt 99% hetzelfde en kost de helft van de tijd om te bakken.
De "Stap-Adaptieve" Functie: Het systeem is slim. Als het een eenvoudige taak uitvoert (zoals het tellen van auto's), gebruikt het een zeer snelle, ruwe shortcut. Als het een kritieke taak uitvoert (zoals het detecteren van een kind), voegt het een paar extra stappen toe aan de shortcut om het nauwkeuriger te maken. Het past zijn eigen "inspanning" aan op basis van de taak.

3. De SIMD-engine: De Assemblagelijn

Normaal gesproken doet een computer één berekening, dan de volgende, dan de volgende. EULER-ADAS gebruikt SIMD (Single Instruction, Multiple Data).

De Analogie: Stel je een fabrieksassemblagelijn voor. In plaats dat één arbeider één hele auto tegelijk bouwt, heb je een lijn waar één arbeider tegelijk wielen op 4 auto's installeert, en dan naar de volgende stap gaat.
Het Resultaat: EULER-ADAS kan kleine, middelgrote en grote getallen allemaal op dezelfde assemblagelijn verwerken zonder dat er een nieuwe fabriek hoeft te worden gebouwd voor elke grootte. Dit bespaart een enorme hoeveelheid ruimte (siliconen oppervlak) en vermogen.

4. De Resultaten: Snel, Klein en Efficiënt

De onderzoekers bouwden deze engine en testten deze op twee manieren:

Op een Chip (ASIC): Ze bouwden een fysieke versie van deze engine. Het is ongelooflijk klein (ongeveer de grootte van een klein rijstkorreltje, of 0,015 vierkante millimeter) en draait met bliksemsnelheid (tot 1,84 miljard keer per seconde). Het gebruikt ongeveer 72% minder vermogen dan de standaard, nauwkeurige engines.
Op een Echte Prototype: Ze plaatsten het op een ontwikkelbord genaamd Pynq-Z2 en draaiden een echt objectdetectiesysteem (Tiny-YOLOv3).
- Het Resultaat: Het verwerkte een videoframe in slechts 78 milliseconden (minder dan een knipoog) terwijl het zeer weinig elektriciteit gebruikte (0,29 Watt).

5. Werkt het? (Nauwkeurigheid)

Je zou je misschien zorgen maken dat het nemen van shortcuts ertoe leidt dat de robotauto dingen verkeerd ziet. Het artikel testte dit op veel verschillende taken:

Afbeeldingsclassificatie: Het herkennen van katten, honden en verkeersborden.
ADAS-taken: Het detecteren van voertuigen, voetgangers en rijstrooklijnen.
Andere taken: Zelfs sommige taal- en spraaktaken.

Het Oordeel: De "shortcut"-engine was bijna even nauwkeurig als de perfecte engine. Voor de belangrijkste taken (zoals het herkennen van een voetganger) was het verschil in nauwkeurigheid minder dan 1,5%. In de echte wereld betekent dit dat de robotauto de weg net zo goed ziet als de dure, vermogenverslindende versie, maar dat hij veel koeler draait en langer op een batterij loopt.

Samenvatting

EULER-ADAS is een nieuwe, energie-efficiënte hersenen voor zelfrijdende auto's. Het gebruikt een "veiligheidslimiet"-getalstelsel om fouten te voorkomen, een "shortcut"-wiskundemethode om vermogen te besparen en een "meerdere rijstroken"-assemblagelijn om dingen te versnellen. Het bewijst dat je geen perfecte wiskunde nodig hebt om veilig te rijden; je hebt alleen slimme, efficiënte wiskunde nodig.

Technische Samenvatting: EULER-ADAS: Energie-efficiënte & SIMD-geünificeerde Logaritmische Posit-engine voor Precisie-herschaalbare Benaderende ADAS-versnelling

Probleemstelling
Geavanceerde Bestuurdersassistentiesystemen (ADAS) vereisen neurale rekengeneratoren (NCE's) die in staat zijn tot inferentie met lage latentie onder strikte vermogens- en oppervlaktebeperkingen. Hoewel posit-aritmetiek een gunstige afweging tussen nauwkeurigheid en dynamisch bereik biedt bij lage bitbreedtes in vergelijking met IEEE 754-vlottende komma, introduceert de variabele lengte regime-codering (VLRE) aanzienlijke hardware- overhead. Specifiek vercompliceert VLRE de decodering van operanden en de codering van resultaten, wat de latentie en het oppervlak vergroot. Bovendien maakt het variabele lengte regime-veld standaard Posit-representaties zeer gevoelig voor soft errors; een enkele bitflip in het regime-veld kan catastrofale numerieke afwijkingen veroorzaken, een kritieke zorg voor veiligheidsrelevante perceptiewerklasten. Bestaande oplossingen offeren óf de dynamische bereikvoordelen van Posits op door vast-regime varianten te gebruiken, óf ze slagen er niet in om de encodeer/decodeer-logica, mantissenvermenigvuldiging en accumulatiepaden gezamenlijk te optimaliseren voor energie-efficiëntie en betrouwbaarheid.

Methodologie
Het artikel stelt EULER-ADAS voor, een SIMD-geactiveerde, logaritmisch begrenste Posit-neurale rekengenerator die is ontworpen om deze uitdagingen aan te pakken via een geünificeerd, precisie-herschaalbaar datapad. De architectuur integreert drie primaire ontwerpasen:

Bounded-Regime Posit (B-Posit) Representatie: Om de foutgevoeligheid en hardwarecomplexiteit van VLRE te mitigeren, hanteren de auteurs een bounded-regime representatie ($bPosit(N, es, R)$). Door de maximale regime-lengte ( $R$ ) te beperken, reduceert de architectuur de ernst van regime-veldfouten en vereenvoudigt het de decodering/codering-logica, waardoor complexe variabele lengte-extractieketens overbodig worden.
Stap-adaptieve Logaritmische Vermenigvuldiging: Het mantissenvermenigvuldigingsstadium vervangt exacte radix-4 Booth-vermenigvuldigers door stap-adaptieve logaritmische vermenigvuldigers (ILMs). Deze benadering transformeert vermenigvuldiging naar optelling in het logaritmische domein, wat de schakelcomplexiteit aanzienlijk reduceert. Het ontwerp omvat bittruncatie na detectie van de leidende één, waardoor het aantal logaritmische stadia ( $n$ ) en behouden bits ( $m$ ) kunnen fungeren als instelknoppen voor het balanceren van rekenfouten tegen hardwarekosten.
SIMD-Gedeelde Quire-accumulatie: Een geünificeerd datapad ondersteunt uitvoeringsmodi voor Posit-(8,0), Posit-(16,1) en Posit-(32,2) zonder precisiespecifieke hardware te dupliceren. De architectuur maakt gebruik van een gedeeld 128-bit quire-accumulatiepad met een herstructureerde SIMD-configureerbare adderboom, wat 4× Posit-8, 2× Posit-16 of 1× Posit-32 operaties mogelijk maakt.

Het ontwerpkader koppelt analytisch de regime-grens $R$ , het aantal logaritmische stadia $n$ en de truncatiebreedte $m$ aan de Verwachte Catastrofale Fout (ECE) en relatieve benaderingsfoutgrenzen, waarmee de selectie van parameters voor specifieke precisiemodi wordt begeleid.

Belangrijkste Bijdragen

Eerste Benaderende B-Posit NCE: Het artikel presenteert de eerste benaderende neurale rekengenerator die bounded-regime Posit-encodeer/decodeer, stap-adaptieve logaritmische mantissenvermenigvuldiging en SIMD-gedeelde quire-accumulatie integreert in één geünificeerd datapad.
Configureerbaar Nauwkeurigheids-Kostenkader: Er wordt een logaritmisch Posit-vermenigvuldigingskader geïntroduceerd waarbij het aantal stadia en de truncatiebreedte fungeren als configureerbare parameters om de nauwkeurigheid af te stemmen over Posit-8, Posit-16 en Posit-32 modi.
Geünificeerde Multi-Precisie Architectuur: Het ontwerp bereikt multi-precisie-operatie (8/16/32-bit) binnen een gedeelde hardwarestructuur, waardoor de oppervlakte-overhead van het repliceren van precisiespecifieke MAC-eenheden wordt vermeden.
Uitgebreide Evaluatie: Het werk biedt uitgebreide FPGA- en 28-nm ASIC-evaluaties, naast validatie op applicatieniveau voor beeldclassificatie, ADAS-perceptie en edge-inferentiewerklasten.

Resultaten

Hardware-efficiëntie: FPGA-implementatieresultaten tonen aan dat de voorgestelde configuraties het aantal LUT's met tot 41,4% verminderen, de vertraging met tot 76,1% en het vermogen met tot 71,9% ten opzichte van exacte Posit NCE's. Het energie-vertragingproduct (EDP) is tot 10× lager dan radix-4 Booth-gebaseerde Posit-vermenigvuldigers.
ASIC-prestaties: In een 28-nm CMOS-proces nemen de bounded varianten 0,013–0,016 mm² in beslag en verbruiken ze 19,8–22,1 mW, met een werking tot frequenties van 1,84 GHz. In vergelijking met de meest compacte eerdere benaderende ontwerpen verminderen de bounded EULER-ADAS varianten het oppervlak en het vermogen met ongeveer de helft.
Applicatie-nauwkeurigheid: Over beeldclassificatie (VGG-16, ResNet-50, ViT-B, MobileNetv2, ResNet-18) en diverse ADAS-werklasten (objectdetectie, bestuurdersbewaking, verkeersbordherkenning, end-to-end besturing) blijven de Posit-16 en Posit-32 configuraties binnen ongeveer 1,5 procentpunten van de FP32-nauwkeurigheid.
Systeemniveau Validatie: Een Tiny-YOLOv3-prototype dat is ingezet op een Pynq-Z2 FPGA bereikt 78 ms latentie bij 0,29 W (22,6 mJ/frame), wat de geschiktheid aantoont voor low-power real-time ADAS-inferentie.

Betekenis
Het artikel beweert dat EULER-ADAS een belangrijke stap voorwaarts is in het inzetten van posit-aritmetiek voor veiligheidskritieke edge AI. Door bounded-regime representatie te combineren met benaderende logaritmische aritmetiek, adresseert de architectuur tegelijkertijd de betrouwbaarheidszorgen van variabele lengte-codering en de hoge hardwarekosten van exacte aritmetiek. De auteurs stellen dat dit de eerste benaderende logaritmische vermenigvuldiger is die specifiek is ontworpen voor het bounded Posit-formaat, en bieden een levensvatbaar pad naar energie-efficiënte, foutresiliente en precisie-herschaalbare versnellers voor autonoom rijden en edge computing zonder in te leveren op de nauwkeurigheid op applicatieniveau.