Chương 1. Lí do chọn đề tài Ngày nay các công nghệ máy học đang trở nên phát triển và được áp dụng vào nhiều khía cạnh của cuộc sống ví dụ tìm kiếm trang web, khuyến khích mua sắm và lọc nội dung trên các trang mạng xã hội [1]. Tuy nhiên, các kỹ thuật máy học ngày nay bị giới hạn bởi khả năng tự động trích xuất các đặc trưng quan trọng mà phải thực hiện một công bởi các bộ trích xuất đặc trưng. Do đó, phương pháp học sâu ra đời với nhiều ưu điểm nổi bật nhờ tận dụng kiến trúc của các biểu diễn da mức dé học được các đặc trưng phức tạp [1].
Mỗi biểu diễn đa mức sẽ được tính toán thông qua biến đổi từ mức trừu tượng thấp bởi những hàm phi tuyến tính đơn giản. Học sâu đóng vai trò đáng ké trong việc tăng cường khả năng học hỏi của máy hoc thông qua học những dữ liệu từ những lớp này với những đặc trưng khác nhau mà không cân sự can thiệp của con người vào quá trình trích xuât đặc trưng [2]. Mạng nơ-ron tích chập là một trong những mạng trí tuệ nhân tạo đầy tiềm năng dựa trên học sâu và có thê được xem như là một cách tiếp cận cho hầu hết các ứng dụng về nhận diện và phát hiện vật thé [2]. DCNNs đã chứng minh được độ hiệu qua của minh qua các ứng dụng về hiểu nội dung ảnh, phân loại anh, phân loại video và xác định vật thể [2].
Tuy nhiên, bởi vì cấu trúc theo chiều sâu của nó, hiệu năng của mạng nơ-ron tích chập phụ thuộc rất nhiều khả năng của tài nguyên phần cứng. Những phần cứng này có thể trải dài từ những máy chủ hiệu suất cao cho đến các vi xử lí đồ họa cho tới bộ gia tốc khả năng tính toán song song được sử dụng rộng rãi từ học thuật cho tới công nghiệp. Hơn thế nữa, các bộ gia tốc CNN luôn được sự quan tâm lớn và được đầu tư rất lớn vào các nghiên cứu nhằm có thể cải thiện cũng như nâng cao hiệu suất của CNN. Gần đây, việc nhúng các mô hình CNN vào những thiết bị nhúng gon nhẹ yêu cầu năng lượng cũng như mức độ tiêu thụ năng lượng thấp.
Vì lí do đó, sự cấp thiết cho một thiết kế cũng như kỹ thuật có thé đảm bảo được tài nguyên phần cứng nhỏ gọn với một nguồn năng lượng thấp là thực sự cần thiết [3] [2]. Tính toán ngẫu nhiên (SC) là một mô hình tính toán mới có tiềm năng trong việc đáp ứng được những ràng buộc về diện tích và năng lượng. Phương pháp này có thể thể đơn giản hóa những hiện thực phức tạp của các bộ tính toán số học. Từ đó đơn sẽ giảm đi diện tích cần thực hiện và kéo theo mức độ tiêu thụ năng lượng thấp [3].
Phương pháp tinh toán ngẫu nhiên sử dụng một số xác suất được biểu diễn dưới dạng một chuỗi bit. Điều này giúp cho việc thực hiện các phép tính nhân hoặc cộng trở nên đơn giản bằng các công AND và MUX. Bởi vi ưu điểm này, nó có tiềm năng trong việc ứng dụng kỹ thuật tính toán này vào các mô hình máy học và được kỳ vọng có thê giảm đi điện năng tiêu thụ và diện tích phần cứng [3]. Dựa theo nghiên cứu của tô chức y tế thế giới (WHO), các bệnh tim mạch (CVDs) đang dẫn đầu thé giới về tỉ lệ tử vong [4].
Tỉ lệ mắc và tử vong của nhiều bệnh đang có tăng dần trong những năm gần đây và có xu hướng trẻ hóa qua từng năm. ECG là một yếu tô quyết định trong việc quan sát các chức năng của tim mạch và xác định được các rối loạn nhịp tim bằng cách trích xuất các thông tin cần thiết như QRS, khoảng thời gian RR, biên độ và hình dạng sóng [5]. ECG phản ánh các hoạt động điện của tim bao gồm các dạng sóng khác nhau biểu thị sự phân cực hoặc khử cực của tim. Phức hợp QRS là một yếu tố quan trọng trong đó, phản ánh sự co bóp của tim.
Bởi vì hình dạng đặc biệt của nó, và thực tế là các sóng ECG thường nhỏ do đó phức hợp QRS đóng một vai trò quan trọng trong việc cung cấp những thông tin quan trọng nhất trong việc tự động xác định nhịp tim. Ngoài ra phức hợp QRS được ứng dụng trong việc đo nhịp tim và xác định được rất nhiều bệnh tim mạch khác nhau. Mục đích Đề tài được thực hiện với mục đích ứng dụng một giải pháp trong việc giảm di lượng tài nguyên phần cứng trong quá trình hiện thực các mạng nơ-ron nhân tạo. Việc giảm đi diện tích dẫn đến giảm đi mức tiêu thụ năng lượng từ đó đáp ứng được các ràng buộc về mặt năng lượng đối với các thiết bị nhỏ gọn.
Các yếu tố về năng lượng luôn là một van dé cap thiệt đôi với các nhà sản xuât các thiệt bị di động và đeo tay bởi vì người dùng luôn đòi hỏi thời gian sử dụng đủ lâu mà vẫn đáp ứng được độ nhỏ gọn của các thiết bị dẫn tới sự hạn chế về dung lượng pin. Ngoài ra, việc giảm đi tài nguyên phần cứng còn có ích cho việc đủ không gian cho việc tích hợp các chức năng khác nhưng vẫn đảm bảo được diện tích nhỏ gọn. Các thiết bị đeo tay hoặc các thiết bị y tế nhỏ gọn được tích hợp máy học nhằm nâng cao hiệu quả ngày càng phô biến rộng rãi vì nhu cầu giám sát sức khỏe cá nhân tăng, đặc biệt là việc theo dõi sức khỏe tim mạch luôn được chú trọng bởi vì số lượng người mắc và chết vì các bệnh về tim mạch luôn tăng qua từng năm. Do đó việc giảm đi kích thước các mô hình máy học sẽ có lợi trong việc tích hợp thêm nhiêu các mô hình máy học phục vụ cho những nhu câu khác nhau.
Hiện nay, việc ứng dụng phương pháp tính toán ngẫu nhiên vào các mô hình máy học cho y sinh chưa từng có vì sự sụt giảm về độ chính xác của nó, do đó, đề tài còn hướng đến việc đánh giá tiềm năng của phương pháp tính toán ngẫu nhiên ở trên các mô hình y sinh. Việc đánh giá được tiềm năng là cần thiết vì sẽ phát hiện được những ưu điểm cũng như nhược điểm. Do đó sẽ thuận lợi cho việc phát các nghiên cứu trong tương lai nhăm cải thiện các yêu điêm hiện tại. Tiềm năng của phương pháp tính toán ngẫu nhiên là rất lớn vì phương pháp này cho phép hiện thực tính toán song song nhiều phép tính những vẫn đảm bảo được lượng tài nguyên phần cứng nhỏ.
Đối với các mô hình máy học, việc sử dụng GPU nhằm dé được hiệu quả về mặt tính toán nhưng đồng thời GPU luôn là một thiết bị tiêu thụ năng lượng lớn đồng thời còn có diện tích lớn. Phương pháp tính toán ngẫu nhiên có thể đảm khả năng thực hiện song song nhưng vẫn đảm bảo được các yếu tố diện tích và năng lượng. Đối tượng và phạm vi nghiên cứu Đề tài tập trung vào mô hình Lenet-5 dé ứng dụng phương pháp tính toán ngẫu nhiên từ đó có thé so sánh và đánh giá với các nghiên cứu khác. Ngoài ra đề tài còn sử dụng một mô hình phát hiện QRS dé thử nghiệm phương pháp tính toán ngẫu nhiên vào một ứng dụng y sinh nhằm phát hiện ưu nhược điểm của phương pháp này vào các ứng dụng y sinh từ đó có thể cải thiện các nhược điểm này trong tương lai.
Bang mạch có thé cấu hình được (FPGA) sẽ được sử dung dé đánh giá hiệu quả thực tế của cả hai mô hình. Công cụ Synopsys Design Compiler được sử dụng với mục đích tổng hợp thiết kế từ đó có được những kết quả về diện tích và năng lượng cũng như tần số của mạch. Mô hình Lenet-5 sẽ được đánh giá trên tập dữ liệu MNIST và phát hiện QRS sẽ được đánh giá trên tập MIT-BIH. TONG QUAN Chương 2 sé mô tả các hướng nghiên cứu về SC trên thé giới cũng như đánh giá về các nghiên cứu đã được thực hiện ngày nay.
Những điều này sẽ giúp có những cái nhìn tổng quan hơn về đề tài cũng như những cải tiến đã giúp cho việc tối ưu về diện tích và năng lượng. Các hướng nghiên cứu hiện nay và đánh giá Hiện nay, trên thế giới đã có nhiều nghiên cứu về phương pháp tính toán ngẫu nhiên. Những nghiên cứu này đã được cho thấy cũng như chứng minh được độ hiệu quả của về mặt diện tích cũng như mức tiêu thụ năng lượng của mô hình khi áp dụng phương pháp. Việc này cho thấy cũng kết quả tích cực và thé hiện rõ tiềm năng của nó.
Các nghiên cứu luôn hướng tới việc đạt được các diện tích nhỏ gọn nhất đồng thời vẫn giữ được độ chính xác ở mức tốt so với các hiện thực thông thường. Việc này giúp loại bỏ đi phép tính chia cũng như hàm mũ giúp đạt được diện tích nhỏ gọn hơn so với các hiện thực tanh trên phần cứng. Tuy nhiên, [6] đã chứng minh về sự ảnh hưởng của giá trị gần 0 sẽ có giá trị sai lệch lớn hơn so với các giá trị nằm xa giá trị 0. [7] đã đề xuất một phương pháp sử mới cho việc tính toán phép cộng bằng việc sử dụng một bộ đếm song song (APC), thay thế cho phép tính cộng bằng cổng OR hoặc công MUX.
[2] cũng đã đưa ra những phép đo thể hiện ưu điểm của bộ APC trong việc tăng số lượng đầu vào cho bộ APC cũng giúp giảm đi sộ sai lệch của nó, mở ra khả năng tính toán song song một cách tối ưu nhất. Các nghiên cứu này đã tạo ra nhiều tiền đề cho việc cải tiến các mạch tính toán sau này, và mang lại nhiều giá trị trong việc tôi ưu các mạch tính toán cua SC. Bên cạnh những ý tưởng cải tiến về các mạch cho các phép tính cũng như hàm kích hoạt. Việc tối ưu bộ tạo số ngẫu nhiên trong cách thiết kế sử dụng phương pháp tính toán ngẫu nhiên là thật sự sự cần thiết dé có thé dam bảo được độ chính xác cao.
[8] đã đề suất một phương pháp cải tiến bộ tạo số ngẫu nhiên sử dụng Linear Feedback Shift Register (LESR) bằng một phương pháp low-disperency giúp chuỗi số đầu ra trở nên ngẫu nhiên hơn từ đó đạt được mức độ chính xác cao hơn. Tuy nhiên, mặc dù giải pháp đề xuất đã chứng minh được ưu điểm của nó về mặc chính xác nhưng vẫn có nhược điểm là yêu cầu nhiều LFSR hơn và cần nhiều mạch tổ hợp hơn trong quá trình tạo ngẫu nhiên. Dẫn đến mật độ diện tích so với LFSR truyền thống cao hơn.