Modelos de Predição de Erro e Consumo Energético em Computação Aproximada
Resumo
A computação aproximada permite a execução de operações com precisão reduzida em cenários tolerantes a erro, com ganhos significativos de energia. No nível de instrução, cada operação aritmética pode ser mantida exata ou substituída por uma contraparte aproximada, e a avaliação de cada variante resultante por simulação é computacionalmente cara. Este trabalho propõe modelos de aprendizado de máquina baseados em árvores (LightGBM, Random Forest e Extra-Trees) para estimar o erro de saída e o consumo de energia das variantes aproximadas, treinados com dados de simulação e de análise estática extraídos via LLVM/MLIR. Avaliados em cinco aplicações do AxBench, os modelos alcançaram R2 ≥ 0,955 para erro e R2 ≥ 0,986 para energia, com correlação de Spearman superior a ρ = 0,966, mantendo a ordenação das variantes em relação à simulação.
Referências
Barros, G., Akemaru, R., Bezerra, E., Oliveira, R., and Mazzine, M. (2021). The synthesis of computational imprecision: Impact of compilation techniques on the approximate computing paradigm. ACM Computing Surveys (CSUR), 54(8):1–35.
Breiman, L. (2001). Random forests. Machine learning, 45(1):5–32.
Geurts, P., Ernst, D., and Wehenkel, L. (2006). Extremely randomized trees. Machine learning, 63(1):3–42.
Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., and Liu, T.-Y. (2017). Lightgbm: A highly efficient gradient boosting decision tree. Advances in neural information processing systems, 30.
scikit-learn developers (2024). scikit-learn: Machine learning in Python. [link]. Version 1.6.1. Accessed: June 2026.
Yazdanbakhsh, A., Mahajan, D., Esmaeilzadeh, H., and Lotfi-Kamran, P. (2017). Axbench: A multiplatform benchmark suite for approximate computing. IEEE Design and Test, 34(2):60–68.
