Aprobador Sigmoide Probabilístico de Alta Precisión Basado en Probabilidad que Incorpora Estrategias de Ahorro de...

Área de la Ciencia:

• Ciencias de la Computación
• Inteligencia Artificial
• Ingeniería de Hardware

Sus antecedentes:

• La función sigmoide es crucial para las redes neuronales, especialmente en dispositivos de borde.
• Las aproximaciones probabilísticas anteriores que utilizan funciones de distribución acumulada gaussianas enfrentaron desafíos con el uso de memoria, la velocidad y la precisión en todas las entradas.

Objetivo del estudio:

• Desarrollar un aproximador sigmoide probabilístico amigable con el hardware y de alta precisión.
• Superar las limitaciones de los métodos existentes, como los altos requisitos de RAM y los procesos que consumen mucho tiempo.

Principales métodos:

• Establecer la equivalencia entre la salida de la función sigmoide y la probabilidad de una variable aleatoria logística.
• Implementar una estrategia indirecta de cuantificación de variables aleatorias para minimizar la pérdida de memoria y precisión.
• Optimizar la latencia y desarrollar una implementación de circuito digital eficiente en recursos.

Principales resultados:

• El esquema propuesto reduce significativamente el uso de memoria y la pérdida de precisión.
• El aproximador sigmoide desarrollado demuestra latencia optimizada y eficiencia de recursos.
• Se derivó un límite superior del error absoluto, confirmando la precisión de la aproximación.

Conclusiones:

• El novedoso aproximador sigmoide probabilístico ofrece un rendimiento superior en precisión y costo de recursos en comparación con los métodos existentes.
• Este enfoque proporciona una solución eficiente y amigable con el hardware para la aproximación sigmoide en redes neuronales, particularmente para aplicaciones de computación de borde.