Regressão Linear com Computação Aproximada

• Pedro e Silva UFMS
• Hytalo Bassi UFMS
• Jailton Nunes Filho UFMS
• Eduardo Paes UFMS
• Jhullya Martins UFMS
• Daniela Catelan UFMS

DOI: https://doi.org/10.5753/eradco.2026.34368

Resumo

O treinamento de modelos de Inteligência Artificial (IA) demanda alto custo energético e computacional. Para mitigar esse gargalo, este artigo investiga a aplicação de Computação Aproximada (CA) no algoritmo Mini-batch Stochastic Gradient Descent (MBGD). Utilizando o framework PACA, automatizou-se a Exploração do Espaço de Projeto (DSE) para injetar instruções aritméticas aproximadas em nível de hardware (ISA RISC-V). Os resultados demonstram a viabilidade de obter reduções de até 62, 68% no consumo de energia e 62, 39% nos ciclos de execução, mantendo a degradação do modelo (NRMSE) inferior a 30%. Isso evidencia a eficácia da CA e das ferramentas de DSE em algoritmos resilientes a ruídos.

Referências

Catelan, D. L. (2025). Approximate computing: Contributions to the design of arithmetic circuits and instruction-set architectures. Repositório Institucional da UFMS.

Géron, A. (2025). Hands-On Machine Learning with Scikit-Learn and PyTorch. O’Reilly Media.

K. Neto, G. e. a. (2025). Heuristics for energy-efficient instruction-level approximate computing. SBAC-PAD.

SPIKE (2019). Spike risc-v isa simulator. Available at: [link]. Accessed: June/2025.

Tieleman, T. and Hinton, G. (2012). Lecture 6.5-rmsprop: Divide the gradient by a running average of its recent magnitude. COURSERA: Neural networks for machine learning, 4(2):26–31.

Xu, Q., Mytkowicz, T., and Kim, N. S. (2016). Approximate computing: A survey. IEEE Design Test, 33(1):8–22.