关键词:
关键词识别
近似乘法器
可重构
误差互补偿
摘要:
语音关键词识别(Keyword Spotting,KWS)作为一种人机交互的重要手段,在近些年得到快速的发展。基于神经网络的关键词识别模型,正在逐步取代传统算法,而神经网络面临计算量大,且不同输入负载下的计算精度需求不同的问题。当语音输入因噪声场景变化而出现波动时,计算负载也随之出现变化,因此在不同的场景中设计出低功耗的语音关键词识别系统至关重要。近似计算作为一种新兴的基于人工智能物联网设备的电路设计技术,可以有效降低功耗。基于上述分析,本文完成了面向关键词识别的低功耗可重构近似计算电路设计与实现。本文基于典型的关键词识别系统,从计算单元的设计上进行优化,主要研究内容包括:1)通过随机样本的统计实验方法和PTPX仿真,对已有的近似乘法器从精度和功耗两方面,进行分类与评估,总结出适用于神经网络计算的近似电路设计方法。2)提出了一种基于误差互补偿的近似计算设计方法,通过设计具有相反误差属性的互补模块,有效地利用算术运算本身来纠正先前运算带来的误差,使得计算电路中的数据路径可以通过不同模块引入的误差进行补偿,从而实现自我恢复,提供更高的输出质量。3)针对不同神经网络类型的计算方式,通过数据调度与资源复用,设计可重构的计算单元,使得一块计算电路可以完成多种网络的计算。最终将设计的可重构近似计算单元部署在关键词识别系统中。最后,本文基于TSMC 22nm CMOS工艺,完成可重构近似计算单元,和基于1D-CRNN神经网络的关键词识别系统的设计与实现。所设计的可重构近似计算单元,最终实现118n W的功耗,相比于传统的近似乘法器设计,可以降低23.6%~41.8%;将所设计的可重构近似计算单元部署在语音关键词识别系统中,系统整体的面积为0.788mm,功耗为1.4~2.1μW,下降了36.4%,clean情况下的网络识别精度为93.2%~98.2%,下降了0.9%。