SimBU: Computación Híbrida Binaria-Unaria basada en Autosimilitud para Funciones No Lineales

La computación unaria es un método relativamente nuevo para implementar funciones no lineales arbitrarias que utiliza codificación de números termómetro sin empaquetar, lo que permite costos de hardware mucho más bajos. En su forma original, la computación unaria no proporciona un equilibrio entre precisión y costo de hardware. En este trabajo, proponemos un nuevo método basado en la autosimilitud para optimizar el trabajo híbrido binario-unario anterior y proporcionarle el equilibrio entre precisión y costo de hardware mediante la introducción de niveles de aproximación controlados. Buscar la autosimilitud entre diferentes partes de una función nos permite implementar un subconjunto muy pequeño de subfunciones únicas y derivar el resto de las subfunciones a partir de este núcleo utilizando transformaciones lineales simples. Comparar nuestro método con trabajos anteriores como FloPoCo-LUT (tabla de búsqueda), HBU (híbrido binario-unario) y FloPoCo-PPA (aproximación polinómica por tramos) en varias funciones no lineales de 8 a 12 bits, incluyendo Log, Exp, Sigmoide, GELU, Sin y Sqr, que se utilizan frecuentemente en redes neuronales y aplicaciones de procesamiento de imágenes. El costo de hardware área × retraso de nuestro método es, en promedio, entre un 32% y un 60% mejor que los métodos anteriores en implementaciones tanto exactas como aproximadas. También extendemos nuestro método a funciones no lineales multivariadas y mostramos una mejora promedio del 78% al 92% sobre el trabajo anterior.