可解释机器学习框架用于自适应多模式CORDIC迭代优化与硬件高效计算

《Mathematics》:An Explainable Machine Learning Framework for Adaptive Multi-Mode CORDIC Iteration Optimization and Hardware-Efficient Computation

【字体: 大 中 小 】 时间:2026年08月29日 来源:Mathematics 2.3

编辑推荐:

  坐标旋转数字计算机(CORDIC)算法因仅用迭代移位加法操作即可计算多种初等函数,被广泛应用于数字信号处理与硬件加速器。然而传统CORDIC实现不论输入特性或所需精度如何均执行固定次数迭代,造成不必要的计算开销与延迟。研究人员提出一种可解释机器学习框架,用于支

  
坐标旋转数字计算机(CORDIC)算法因仅用迭代移位加法操作即可计算多种初等函数,被广泛应用于数字信号处理与硬件加速器。然而传统CORDIC实现不论输入特性或所需精度如何均执行固定次数迭代,造成不必要的计算开销与延迟。研究人员提出一种可解释机器学习框架,用于支持圆周、双曲与线性三种工作模式的多模式CORDIC架构中的自适应迭代优化。通过构建统一特征表示刻画各模式下CORDIC数值收敛行为,建立预测最优迭代次数的统一回归框架。研究人员系统评估了线性回归、决策树、随机森林、Extra Trees、支持向量回归、多层感知机、XGBoost与LightGBM共8种回归模型;在含461组未见输入共2305个样本的独立测试集上,决策树表现最佳,MAE为0.9160次、RMSE为1.9671、R2为0.6076,80.26%预测值在参考值±1次内,90.07%在±2次内。因预测精度不足以保证容差,研究人员以实际CORDIC误差校验预测值并引入安全校正:校正后独立测试集容差满足率100%,平均迭代由20降至11.739次,减少41.31%。研究人员通过特征重要性、排列重要性与特征消融解释模型行为,并以Bootstrap置信区间、Friedman检验与Holm校正的Wilcoxon符号秩检验确立统计稳健性。
研究背景方面,坐标旋转数字计算机(CORDIC, Coordinate Rotation Digital Computer)自Volder提出、Walther扩展至圆周/线性/双曲坐标系后,凭借仅含加减、二进制移位与查找表的算术结构,成为资源受限数字系统中计算三角、反三角、双曲、指数、对数、乘除及平方根等初等函数的首选内核,广泛用于数字信号处理、无线通信、FPGA/ASIC加速器与嵌入式处理器。但传统架构无论输入数值特征与所需容差如何均跑满固定迭代深度,导致大量冗余迭代、延迟与能耗;既有变迭代或变比例因子(VSF)等改进仍受限于模式相关分析、控制逻辑复杂或难泛化。已有研究虽证明机器学习可用于圆周模式迭代预测,但数据集小、模型少且缺可解释性与硬件验证。因此研究人员开展本项工作:构建覆盖三模式、多容差的统一仿真数据集与六维预执行特征,训练八种回归模型,以决策树为最终预测器,配合实际误差校验与安全校正,实现多模式CORDIC自适应迭代选择,并在《Mathematics》发表。
关键技术方法上,研究人员以Python仿真生成11505条多模式CORDIC样本(圆周角域、双曲收敛域、线性变换组合,容差多档,最大迭代20),每条样本取模式、输入值、输入绝对值、输入符号、象限信息及对数逆容差log_inverse_delta共6个仅执行前可知的特征,目标为首次达容差的最优迭代数;采用分组交叉验证防同组泄露,GridSearchCV调参,最终在461组未见输入(2305样本)独立测试;模型涵盖线性/树/集成/核/神经网络/梯度提升八类;推理后对预测迭代数做向上取整并执行真实CORDIC误差复核,不足则递增至容差满足或达上限(安全校正);解释端用树内特征重要性、Permutation Importance、SHAP与单特征消融,统计端用5000次组级Bootstrap、Friedman与Holm-Wilcoxon。
研究结果部分,5.1节八模型独立测试对比显示决策树MAE 0.9160、RMSE 1.9671、R2 0.6076居首,±1次命中率80.26%、±2次90.07%,选为最终模型。5.2节组级Bootstrap(5000次重采样461组)得MAE 95% CI为[0.7708, 1.0701],验证稳定性。5.3节Friedman检验显著(χ2类统计量显著,p极小),Holm校正后决策树与其余七模型配对Wilcoxon均显著,ET/RF/XGB/LightGBM效应量依次递减,支持决策树优势非偶然。5.4节特征重要性中log_inverse_delta占0.5815、abs_input 0.2476、mode 0.1217,SHAP全局贡献占比57.95%/23.14%/10.15%,证实容差为主驱、输入幅值与模式为辅。5.5节消融移除log_inverse_delta致MAE升幅最大,sign_input近乎无影响。5.6节效率评估:固定20次迭代对照下,原始预测均9.757次,安全校正后均11.739次、容差满足100%、较固定式降41.31%。5.7节与传统非ML容差驱动自适应比对:传统法均9.7124次(降51.44%)、与数据集参考完全一致;决策树均9.7575次(降51.21%),差值0.0451次可忽略,但ML法免运行期逐次搜索、由特征直接预测。
讨论与结论翻译:研究人员提出AI辅助自适应CORDIC框架,以机器学习动态预测最优迭代数,克服固定迭代低效;用11505样本身/线/双曲多容差仿真,提取6特征训八模型,决策树独立测试MAE最低被选;Holm-Wilcoxon证其显著优于其余;SHAP等一致指log_inverse_delta主导(57.95%);安全校正后测试集容差满足100%,均迭代11.739(降41.31%),传统非ML基准均9.7124(降51.44%)而ML预测均9.7575(降51.21%)与之几乎等同且免在线搜索。意义在于给出可解释、多模式统一、统计稳健的自适应迭代选择方案,为FPGA/ASIC上降延迟功耗提供路径;未来可在FPGA/ASIC实测面积功耗,并轻量化模型、在线更新、嵌入DSP/无线/机器人/边缘AI加速器,亦可推广至其他迭代数值算法。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号