Approximate Computing (AxC) has emerged as a promising paradigm to enhance performance and energy efficiency by allowing a controlled trade-off between accuracy and resource consumption. It is extensively adopted across various abstraction levels, from software to architecture and circuit levels, employing diverse methodologies. The primary objective of AxC is to reduce energy consumption for executing error-resilient applications, accepting controlled and inherently acceptable output quality degradation. However, harnessing AxC poses several challenges, including identifying segments within a design amenable to approximation and selecting suitable AxC techniques to fulfill accuracy and performance criteria. This survey provides a comprehensive review of recent methodologies proposed for performing Design Space Exploration (DSE) to find the most suitable AxC techniques, focusing on both hardware and software implementations. DSE is a crucial design process where system designs are modeled, evaluated, and optimized for various extra-functional system behaviors such as performance, power consumption, energy efficiency, and accuracy. A systematic literature review was conducted to identify papers that ascribe their DSE algorithms, excluding those relying on exhaustive search methods. This survey aims to detail the state-of-the-art DSE methodologies that efficiently select AxC techniques, offering insights into their applicability across different hardware platforms and use-case domains. For this purpose, papers were categorized based on the type of search algorithm used, with Machine Learning (ML) and Evolutionary Algorithms (EAs) being the predominant approaches. Further categorization is based on the target hardware, including Field-Programmable Gate Arrays (FPGAs), Application-Specific Integrated Circuits (ASICs), general-purpose Central Processing Units (CPUs), and Graphics Processing Units (GPUs). A notable observation was that most studies targeted image processing applications due to their tolerance for accuracy loss. By providing an overview of techniques and methods outlined in existing literature pertaining to the DSE of AxC designs, this survey elucidates the current trends and challenges in optimizing approximate designs.

Approximate Computing (AxC) has emerged as a promising paradigm to enhance performance and energy efficiency by allowing a controlled trade-off between accuracy and resource consumption. It is extensively adopted across various abstraction levels, from software to architecture and circuit levels, employing diverse methodologies. The primary objective of AxC is to reduce energy consumption for executing error-resilient applications, accepting controlled and inherently acceptable output quality degradation. However, harnessing AxC poses several challenges, including identifying segments within a design amenable to approximation and selecting suitable AxC techniques to fulfill accuracy and performance criteria. This survey provides a comprehensive review of recent methodologies proposed for performing Design Space Exploration (DSE) to find the most suitable AxC techniques, focusing on both hardware and software implementations. DSE is a crucial design process where system designs are modeled, evaluated, and optimized for various extra-functional system behaviors such as performance, power consumption, energy efficiency, and accuracy. A systematic literature review was conducted to identify papers that ascribe their DSE algorithms, excluding those relying on exhaustive search methods. This survey aims to detail the state-of-the-art DSE methodologies that efficiently select AxC techniques, offering insights into their applicability across different hardware platforms and use-case domains. For this purpose, papers were categorized based on the type of search algorithm used, with Machine Learning (ML) and Evolutionary Algorithms (EAs) being the predominant approaches. Further categorization is based on the target hardware, including Field-Programmable Gate Arrays (FPGAs), Application-Specific Integrated Circuits (ASICs), general-purpose Central Processing Units (CPUs), and Graphics Processing Units (GPUs). A notable observation was that most studies targeted image processing applications due to their tolerance for accuracy loss. By providing an overview of techniques and methods outlined in existing literature pertaining to the DSE of AxC designs, this survey elucidates the current trends and challenges in optimizing approximate designs.

Exploration de l'espace de conception pour le calcul conscient de la précision: L'augmentation de la complexité des applications à grande échelle, telles que le calcul scientifique et l'analyse de données, a entraîné une demande croissante de ressources informatiques. Les méthodes traditionnelles deviennent insuffisantes pour gérer le volume de données en constante augmentation. Cette thèse traite de l'écart entre la croissance des données et les avancées des processeurs en introduisant des stratégies visant à améliorer l'efficacité computationnelle sans sacrifier les performances. Un accent particulier est mis sur le calcul approximatif (AxC), qui exploite la tolérance aux erreurs inhérente à de nombreuses applications, telles que le traitement multimédia et l'apprentissage automatique, pour équilibrer les performances avec des niveaux d'erreur acceptables. Nous avons réalisé une revue complète des approximations fonctionnelles au niveau des circuits dans divers multiplicateurs, afin d'approfondir notre compréhension des techniques utilisées. Nous avons également discuté des principaux critères de précision pour évaluer la performance et la fiabilité de ces opérateurs aux niveaux des applications et des systèmes. En outre, nous avons passé en revue les méthodes automatiques issues de la littérature qui soutiennent une adoption plus large des circuits approximatifs, en soulignant la nécessité d'une approche systématique pour leur conception. La contribution principale de cette thèse est l'introduction du calcul approximatif sensible aux entrées, qui fait progresser la conception de systèmes efficaces en optimisant la performance et la consommation d'énergie tout en maintenant une précision acceptable. L'objectif était de développer des méthodes largement applicables, mais spécifiquement optimisées pour certaines charges de travail. Initialement, l'identification manuelle des sections de circuits à approximations a mis en évidence des défis de scalabilité et la nécessité d'une expertise spécialisée. Pour y remédier, une approche de conception automatisée a été mise en œuvre, optimisant les circuits en fonction de distributions d'entrées spécifiques. Testée avec le filtre FIT, cette approche a constamment amélioré la précision et l'efficacité énergétique par rapport aux méthodes traditionnelles. L'approximation sensible aux entrées est particulièrement utile pour les applications avec des schémas d'entrées prévisibles, telles que les systèmes embarqués, l'inférence d'apprentissage automatique et le traitement de signaux en temps réel. Cette thèse explore également la relation entre le calcul approximatif et la résilience des réseaux neuronaux profonds (DNNs), cruciaux dans de nombreuses applications. Elle analyse comment les DNNs, en particulier ceux implémentés sur des matrices systoliques personnalisées, réagissent aux fautes provenant des multiplicateurs approximatifs, en utilisant un cadre d'injection de fautes pour une simulation efficace. L'étude a révélé que bien que les DNNs soient intrinsèquement tolérants aux fautes, les approximations peuvent avoir un impact significatif sur la précision. Une analyse au niveau des bits a révélé que les bits critiques, comme le bit le plus significatif (MSB), sont particulièrement affectés. De plus, le compromis entre l'efficacité énergétique et la résilience a été souligné, montrant que les économies d'énergie issues du calcul approximatif doivent être équilibrées avec le potentiel de dégradation des performances.