Unifying unary arithmetic and hardware-software co-design for efficient data processing in machine learning classifiers

Μαντζακίδης, Θεόδωρος; Mantzakidis, Theodoros

dc.contributor.author	Μαντζακίδης, Θεόδωρος	el
dc.contributor.author	Mantzakidis, Theodoros	en
dc.date.accessioned	2025-11-07T07:56:57Z
dc.date.available	2025-11-07T07:56:57Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62812
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30508
dc.rights	Default License
dc.subject	Approximate computing	en
dc.subject	Unary arithmetic	en
dc.subject	Low-cost design	el
dc.subject	Printed electronics	el
dc.subject	Μοναδιαία αριθμητική	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Ταξινομητές	el
dc.title	Unifying unary arithmetic and hardware-software co-design for efficient data processing in machine learning classifiers	en
dc.title	Συνδυασμός της μοναδιαίας αριθμητικής και της συσχεδίασης υλικού-λογισμικού για την αποδοτική επεξεργασία δεδομένων σε ταξινομητές μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Ψηφιακά κυκλώματα	el
heal.language	el
heal.language	en
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2025-03-17
heal.abstract	Machine Learning (ML) applications of Neural Networks (NNs) can benefit from efficient low-cost digital circuit design which allows them to be implemented in printed form. In this work, we investigate the benefits of employing unary arithmetic, as well as other approximation techniques, in performing multiplications, additions and accumulations, for optimized cell area and power consumption. We consider our design near the sensor edge to provide an example bespoke analog-to-digital converter (ADC) that fully harvests the benefits of unary representation. We apply these ideas to suggest digital circuit designs of Multilayer Perceptron Classifiers (MLPCs), a known computationally intensive ML application, tailor-made to respective trained ML models, and we compare our work to conventional and other state-of-the-art architectures of MLPCs. Our proposed designs outperform other approaches by 46% and 39% on average in terms of area and power consumption, with minimal accuracy degradation.	en
heal.abstract	Οι εφαρμογές μηχανικής μάθησης των νευρωνικών δικτύων μπορούν να επωφεληθούν του χαμηλού κόστος και της αποδοτικής ψηφιακής σχεδίασης κυκλωμάτων ώστε να μπορούν να υλοποιηθούν σε εκτυπώσιμη μορφή. Στην παρούσα εργασία εξερευνούμε τα πλεονεκτήματα της χρήσης της μοναδιαίας (unary) αριθμητικής, καθώς και άλλων προσεγγιστικών τεχνικών, στην εκτέλεση πολλαπλασιασμών, προσθέσεων, και αθροίσεων γινομένων, με στόχο τις βέλτιστες απαιτήσεις σε επιφάνεια και κατανάλωση ισχύος. Στη σχεδίασή μας συμπεριλαμβάνουμε τη διεπαφή αισθητήρων που παρέχει τις εισόδους του κυκλώματος, προκειμένου να προτείνουμε ένα πρότυπο μετατροπέα αναλογικού-σε-ψηφιακό ο οποίος εκμεταλλεύεται τα πλεονεκτήματα της μοναδιαίας αναπαράστασης. Εφαρμόζουμε τις τεχνικές αυτές σε ταξινομητές μηχανικής μάθησης βασισμένους σε πολυστρωματικούς perceptrons (MLP Classifiers), εφαρμογή με σημαντική υπολογιστική πολυπλοκότητα, και προτείνουμε την εξατομικευμένη σχεδίαση ψηφιακών κυκλωμάτων ταξινομητών για οποιοδήποτε αντίστοιχο εκπαιδευμένο μοντέλο. Σε σύγκριση με συμβατικές και άλλες σύγχρονες τεχνικές, η προτεινόμενη μέθοδος αποδίδει μέσο κέρδος 46% και 39% ως προς την επιφάνεια και την κατανάλωση ισχύος, αντίστοιχα, με ελάχιστη επίπτωση στην ακρίβεια πρόβλεψης.	el
heal.advisorName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Ξύδης, Σωτήριος	el
heal.committeeMemberName	Ζερβάκης, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Μικροϋπολογιστών και Ψηφιακών Συστημάτων VLSI	el
heal.academicPublisherID	ntua
heal.numberOfPages	57 σ.	el
heal.fullTextAvailability	false