V reviji IEEE Transactions on Circuits and Systems I: Regular papers so Ratko Pilipović, Patricio Bulić in Uroš Lotrič  s FRI objavili članek z naslovom »A two-stage operand trimming approximate logarithmic multiplier«. Z objavo v eni najstarejših in najbolj uglednih revij s področja analognih in digitalnih elektronskih vezij, ki izhaja že od leta 1952, omenjeni raziskovalci nadaljujejo uspešno delo na področju računalniške elektronike in približnega računalništva ter na FRI še gojijo računalniški inženiring, eno izmed temeljnih področij računalništva.

V članku so predstavili trenutno najmanjši približni množilnik in ga uspešno uporabili v aplikacijah za glajenje slik ter klasifikacijo slik z globoko nevronsko mrežo ResNet. Predlagani množilnik so sintetizirali v 45-nanometrski tehnologiji CMOS ter pokazali, da je za pol manjši in porabi le slabo polovico energije v primerjavi z natančnim množilnikom. Mreža ResNet, ki pri sklepanju uporablja ta množilnik, dosega praktično enako klasifikacijsko točnost, kot pri uporabi natančnega množilnika.

Zaznavanje in klasifikacija čebel

Svoje delo trenutno nadaljujejo z implementacijo približnega tenzorskega jedra za množenje kvadratnih matrik velikosti 4 x 4 (ang. Tensore core, kot v grafičnih procesnih enotah NVIDIA Volta V100), ki ga bodo uporabili v mreži za realno-časovno detekcijo in klasifikacijo čebel na vhodu v panj.

Približno tenzorsko jedro uporablja zgoraj omenjeni približni množilnik. Preliminarni rezultati sinteze v tehnologiji CMOS kažejo, da se poraba energije v tenzorskem jedru z uporabo približnih množilnikov zmanjša za polovico (seveda se zmanjša tudi površina na čipu ter zakasnitve). Prav tako so spodbudni preliminarni rezultati detekcije čebel z aproksimacijo množenja v globoki nevronski mreži YOLO.

Slika zgoraj nad novico prikazuje detekcijo čebel z globoko nevronsko mrežo, ki uporablja v članku predstavljeni približni množilnik.

Strojna oprema za umetno inteligenco

Raziskovalno delo na področju računalniške strojne opreme je v luči aktualnih področij, kot sta umetna inteligenca in strojno učenje, pomembno zato, ker brez hitrih in učinkovitih vezij ne bi bilo tenzorskih jeder, hitrih procesnih enot in pomnilnikov. Brez učinkovite strojne opreme pa bi bilo praktično nemogoče dovolj hitro ali celo v realnem času izvajati sodobne algoritme umetne inteligence in strojnega učenja.