Caracterização Estática de Oportunidades de Aproximação em Instruções RISC-V

• Marco Antônio de R. Zárate UFMS
• Gislayne Garabini Damasceno UFMS
• Gregório Koslinski Neto UFMS
• Liana Duenha UFMS

DOI: https://doi.org/10.5753/eradco.2026.34471

Resumo

A computação aproximada relaxa a exatidão computacional em troca de ganhos em desempenho e eficiência energética. Este trabalho propõe um fluxo que extrai features estáticas de vivacidade, contaminação, propagação de erro e profundidade de laços, a partir da representação intermediária MLIR/LLVM, para instruções aritméticas aproximadas em RISC-V. Correlacionando estas features com o erro e o consumo energético em quatro aplicações do AxBench, foram identificados indicadores estruturais recorrentes de oportunidades de aproximação segura, além de um contraexemplo em que erro e consumo se comportam como um trade-off quase linear. Os resultados fornecem uma caracterização fundamentada para orientar a seleção de instruções aproximáveis com baixo risco e alto potencial de economia energética.

Referências

Catelan, D., Sovernigo, F., Duenha, L., and Santos, R. (2024). An instruction-set extension to support approximate multicore processors. In 2024 International Symposium on Computer Architecture and High Performance Computing Workshops (SBAC-PADW), pages 23–32. IEEE.

Leon, V., Hanif, M. A., Armeniakos, G., Jiao, X., Shafique, M., Pekmestzi, K., and Soudris, D. (2025). Approximate computing survey, part i: Terminology and software & hardware approximation techniques. ACM Computing Surveys, 57(7):1–36.

Neto, G. K., Sovernigo, F., Catelan, D., Santos, R., and Duenha, L. (2025). Heuristics for energy-efficient instruction-level approximate computing. In 2025 IEEE/SBC 37th International Symposium on Computer Architecture and High Performance Computing (SBAC-PAD), pages 35–45. IEEE.