अनुमानित कंप्यूटिंग

अनुमानित कंप्यूटिंग ऊर्जा-कुशल और/या उच्च-प्रदर्शन डिजाइन के लिए उभरता हुआ प्रतिमान है। इसमें अधिक गणना तकनीकें सम्मिलित हैं जो गारंटीकृत स्पष्ट परिणाम के अतिरिक्त संभावित रूप से गलत परिणाम देती हैं, और इसका उपयोग उन अनुप्रयोगों के लिए किया जा सकता है जहां अनुमानित परिणाम इसके उद्देश्य के लिए पर्याप्त है। इस प्रकार ऐसी स्थिति का उदाहरण खोज इंजन के लिए है जहां निश्चित खोज क्वेरी के लिए कोई स्पष्ट उत्तर उपस्थित नहीं हो सकता है और इसलिए, कई उत्तर स्वीकार्य हो सकते हैं। इसी प्रकार, किसी वीडियो एप्लिकेशन में कभी-कभी कुछ फ़्रेम (वीडियो) का गिरना मनुष्यों की अवधारणात्मक सीमाओं के कारण पता नहीं चल पाता है। अनुमानित कंप्यूटिंग इस अवलोकन पर आधारित है कि कई परिदृश्यों में, चूँकि स्पष्ट गणना करने के लिए बड़ी मात्रा में संसाधनों की आवश्यकता होती है, इस प्रकार अनुमानित सिद्धांत स्वीकार्य परिणाम स्पष्टता प्राप्त करते हुए प्रदर्शन और ऊर्जा में असंगत लाभ प्रदान कर सकता है। उदाहरण के लिए, k-मीन्स क्लस्टरिंग या k-मीन्स क्लस्टरिंग एल्गोरिदम में, वर्गीकरण स्पष्टता में केवल 5% हानि की अनुमति देकर पूरी तरह से स्पष्ट वर्गीकरण की तुलना में 50 गुना ऊर्जा बचत प्रदान की जा सकती है।

अनुमानित कंप्यूटिंग में मुख्य आवश्यकता यह है कि सन्निकटन केवल गैर-महत्वपूर्ण डेटा में प्रस्तुत किया जा सकता है, क्योंकि महत्वपूर्ण डेटा (जैसे, नियंत्रण संचालन) का अनुमान लगाने से प्रोग्राम क्रैश या गलत आउटपुट जैसे विनाशकारी परिणाम हो सकते हैं।

रणनीतियाँ
अनुमानित कंप्यूटिंग निष्पादित करने के लिए कई रणनीतियों का उपयोग किया जा सकता है।


 * अनुमानित परिपथ
 * अनुमानित अंकगणितीय परिपथ: योजक (इलेक्ट्रॉनिक्स), बाइनरी गुणक और अन्य तार्किक परिपथ हार्डवेयर ओवरहेड को कम कर सकते हैं।   उदाहरण के लिए, अनुमानित मल्टी-बिट योजक श्रृंखला को अनदेखा कर सकता है और इस प्रकार, इसके सभी उप-योजक को समानांतर में अतिरिक्त संचालन करने की अनुमति देता है।


 * अनुमानित स्टोरेज और मेमोरी
 * कंप्यूटर डेटा स्टोरेज मूल्यों के अतिरिक्त, उन्हें लगभग संग्रहीत किया जा सकता है, उदाहरण के लिए, फ़्लोटिंग पॉइंट डेटा में निचले-बिट्स को डेटा काट-छांट द्वारा दूसरा विधि कम विश्वसनीय मेमोरी को स्वीकार करना है। इसके लिए डीरैम में और ईडीरैम, दर असाइनमेंट को कम या नियंत्रित किया जा सकता है। इस प्रकार स्थैतिक रैंडम-एक्सेस मेमोरी में, आपूर्ति वोल्टेज को कम किया जा सकता है या नियंत्रित. मैग्नेटोरेसिस्टिव रैंडम-एक्सेस मेमोरी की उच्च लेखन ऊर्जा खपत को कम करने के लिए अनुमानित स्टोरेज प्रयुक्त किया जा सकता है। सामान्यतः, किसी भी त्रुटि का पता लगाने और सुधार तंत्र को अक्षम कर दिया जाना चाहिए।


 * सॉफ़्टवेयर-स्तरीय सन्निकटन
 * सॉफ्टवेयर स्तर पर अनुमान लगाने के कई विधि हैं। संस्मरण या फ़ज़ी मेमोइज़ेशन (कैश से अनुमानित पुनर्प्राप्ति के लिए वेक्टर डेटाबेस का उपयोग, अर्थात फ़ज़ी कैशिंग) प्रयुक्त किया जा सकता है। तेजी से परिणाम प्राप्त करने के लिए लूप (कंप्यूटिंग) के कुछ पुनरावृत्तियों को छोड़ा जा सकता है (जिसे लूप वेध कहा जाता है)। इस प्रकार कुछ कार्यों को छोड़ा भी जा सकता है, उदाहरण के लिए जब रन-टाइम स्थिति बताती है कि वे कार्य उपयोगी नहीं होते है । मोंटे कार्लो एल्गोरिथ्म और यादृच्छिक एल्गोरिथ्म निष्पादन समय की गारंटी के लिए शुद्धता का व्यापार करते हैं। इस प्रकार गणना को उन प्रतिमानों के अनुसार पुन: तैयार किया जा सकता है जो विशेष हार्डवेयर पर सरलता से त्वरण की अनुमति देते हैं, उदाहरण के लिए तंत्रिका प्रसंस्करण इकाई का उपयोग किया जाता है.


 * अनुमानित सिस्टम
 * एक अनुमानित सिस्टम में, सिस्टम के विभिन्न उप-प्रणालियों जैसे कि प्रोसेसर, मेमोरी, सेंसर और संचार मॉड्यूल को प्रत्येक उप-सिस्टम के अलग-अलग अनुमानों की तुलना में उत्तम सिस्टम-स्तरीय क्यू-ई ट्रेड-ऑफ वक्र प्राप्त करने के लिए सहक्रियात्मक रूप से अनुमानित किया जाता है।

==अनुप्रयोग क्षेत्र                                                                                                                                                                                                                                                                                       == अनुमानित कंप्यूटिंग का उपयोग विभिन्न डोमेन में किया गया है जहां अनुप्रयोग त्रुटि-सहिष्णु हैं, जैसे मल्टीमीडिया प्रोसेसिंग, यंत्र अधिगम, संकेत आगे बढ़ाना , कम्प्यूटेशनल विज्ञान का उपयोग किया जाता है इसलिए, अनुमानित कंप्यूटिंग ज्यादातर उन अनुप्रयोगों द्वारा संचालित होती है जो मानवीय धारणा/अनुभूति से संबंधित हैं और अंतर्निहित त्रुटि लचीलापन है। इनमें से कई अनुप्रयोग सांख्यिकीय या संभाव्य गणना पर आधारित हैं, जैसे कि वांछित उद्देश्यों को उत्तम विधि से पूरा करने के लिए अलग-अलग अनुमान लगाए जा सकते हैं। इस प्रकार मशीन लर्निंग में उल्लेखनीय अनुप्रयोग यह है कि गूगल इस दृष्टिकोण का उपयोग अपनी टेंसर प्रसंस्करण इकाई (टीपीयू, कस्टम एएसआईसी) में कर रहा है।

व्युत्पन्न प्रतिमान
अनुमानित कंप्यूटिंग में मुख्य कथन एप्लिकेशन के उस अनुभाग की पहचान है जिसका अनुमान लगाया जा सकता है। बड़े मापदंड पर अनुप्रयोगों के स्थिति में, अनुमानित कंप्यूटिंग तकनीकों पर विशेषज्ञता रखने वाले लोगों को एप्लिकेशन डोमेन (और इसके विपरीत) पर पर्याप्त विशेषज्ञता नहीं होना बहुत सामान्य है। इस समस्या को हल करने के लिए, प्रोग्रामिंग प्रतिमान प्रस्तावित किया गया है। इस प्रकार उन सभी में एप्लिकेशन प्रोग्रामर और एप्लिकेशन डोमेन विशेषज्ञ के बीच स्पष्ट भूमिका पृथक्करण समान है। ये दृष्टिकोण सबसे सामान्य प्रोग्राम अनुकूलन और अनुमानित कंप्यूटिंग तकनीकों के प्रसार की अनुमति देते हैं।

==यह भी देखें                                                                                                                                                                                                                 ==
 * कृत्रिम तंत्रिका नेटवर्क
 * मेटाह्यूरिस्टिक
 * पीसीएमओएस