Stochastic Computing: Techniques and Applications

این کتاب تاریخچه و پیشرفت‌های اخیر محاسبات تصادفی را پوشش می‌دهد. محاسبات تصادفی (SC) برای اولین بار در دهه 1960 برای طراحی مدارهای منطقی معرفی شد، اما منشأ آن را می توان به کار فون نویمان در مورد منطق احتمالی ردیابی کرد. در SC، اعداد واقعی توسط جریان های بیت باینری تصادفی کدگذاری می شوند و اطلاعات مربوط به آمار جریان های باینری انجام می شود. SC مزایایی مانند سادگی سخت افزار و تحمل خطا را ارائه می دهد. وعده آن در پردازش داده ها در کاربردهایی از جمله محاسبات عصبی، رمزگشایی کدهای تصحیح خطا، پردازش تصویر، تبدیل های طیفی و تجزیه و تحلیل قابلیت اطمینان نشان داده شده است.

سه مورد وجود دارد. بخش های اصلی این کتاب بخش اول، شامل فصول 1 و 2، تاریخچه ای از پیشرفت های فنی در محاسبات تصادفی و یک نمای کلی آموزشی از این رشته را برای محققان محاسبات تصادفی تازه کار و باتجربه ارائه می دهد. در بخش دوم، شامل فصول 3 تا 8، هر دو رویکرد طراحی به خوبی تثبیت شده و نوظهور برای سیستم‌های محاسباتی تصادفی را با تمرکز بر دقت، همبستگی، تولید توالی و سنتز بررسی می‌کنیم. بخش آخر، شامل فصل‌های 9 و 10، بینش‌هایی در مورد کاربردهای یادگیری ماشین و کدگذاری کنترل خطا ارائه می‌دهد.

This book covers the history and recent developments of stochastic computing. Stochastic computing (SC) was first introduced in the 1960s for logic circuit design, but its origin can be traced back to von Neumann's work on probabilistic logic. In SC, real numbers are encoded by random binary bit streams, and information is carried on the statistics of the binary streams. SC offers advantages such as hardware simplicity and fault tolerance. Its promise in data processing has been shown in applications including neural computation, decoding of error-correcting codes, image processing, spectral transforms and reliability analysis.

There are three main parts to this book. The first part, comprising Chapters 1 and 2, provides a history of the technical developments in stochastic computing and a tutorial overview of the field for both novice and seasoned stochastic computing researchers. In the second part, comprising Chapters 3 to 8, we review both well-established and emerging design approaches for stochastic computing systems, with a focus on accuracy, correlation, sequence generation, and synthesis. The last part, comprising Chapters 9 and 10, provides insights into applications in machine learning and error-control coding.