Skip to main content
QUICK REVIEW

[论文解读] Digit Serial Methods with Applications to Division and Square Root (with mechanically checked correctness proofs)

Warren E. Ferguson, Jesse Bingham|arXiv (Cornell University)|Aug 1, 2017
Numerical Methods and Algorithms参考文献 11被引用 4
一句话总结

本文提出了一种通用的形式化方法,用于分析高基数除法与开方算法中的数字串行方法(DSM),推导出数字值和近似误差的紧致边界。通过在 HOL Light 中进行机械化验证,证明这些边界可实现高效的实时舍入与信号宽度确定,且对参数化算法的验证结果可靠。

ABSTRACT

We present a generic digit serial method (DSM) to compute the digits of a real number $V$ . Bounds on these digits, and on the errors in the associated estimates of $V$ formed from these digits, are derived. To illustrate our results, we derive such bounds for a parameterized family of high-radix algorithms for division and square root. These bounds enable a DSM designer to determine, for example, whether a given choice of parameters allows rapid formation and rounding of its approximation to $V$. All our claims are mechanically verified using the HOL-Light theorem prover, and are included in the appendix with commentary.

研究动机与目标

  • 开发一个通用框架,用于分析数字串行方法(DSM),以按顺序计算实数 V 的数字。
  • 推导出 DSM 中数字大小与近似误差的精确边界,以支持高效硬件设计。
  • 将该框架应用于参数化的一类高基数除法与开方算法。
  • 使用 HOL Light 定理证明器对所有边界与算法声明进行形式化验证。
  • 通过量化误差与数字行为,实现对 DSM 近似值的快速、正确实时舍入。

提出的方法

  • 该方法使用变基数 βi 与数字序列 vi 的混合基数表示来建模 V。
  • 定义头 H_i 为至第 i 步为止的数字贡献的累计和,尾 T_i 为归一化的剩余误差。
  • 关键成果包括代理定理 5.1 与推论 5.3,它们提供了对数字与误差传播的边界。
  • 该框架通过 HOL Light 定理证明器进行形式化验证,以确保所有推导边界的正确性。
  • 参数化实例化函数可为任意迭代次数 n 与所需十进制精度 d 生成边界。
  • 该方法通过量化近似误差何时足够小,支持实时舍入。

实验结果

研究问题

  • RQ1能否开发一种通用且形式化验证的方法,以界定高基数除法与开方算法中数字串行算法的数字与误差?
  • RQ2不同高基数参数如何影响 DSM 中数字大小与近似误差?
  • RQ3在何种条件下可安全地对 DSM 近似值应用实时舍入?
  • RQ4在 HOL Light 中进行机械化验证能否确保推导出的数字与误差边界的正确性?
  • RQ5所推导的边界与现有文献中的经验或启发式估计相比如何?

主要发现

  • 代理定理 5.1 及其推论 5.3 为一类参数化高基数 DSM 算法提供了形式化验证的数字与误差边界。
  • 对于一个具有自定义基数的开方算法(在 i=2 时 β=32,i=5 时 β=64,其余情况 β=128),H_7 的误差边界为 ≤ 1.050765 / B_7。
  • 该方法可通过基于 HOL Light 的实例化函数,自动为任意迭代次数 n 与所需十进制精度 d 生成边界。
  • 形式化验证确认,所推导的边界比先前表格中的舍入估计更紧致且更可靠,仅在最后一位存在差异,原因在于舍入。
  • 该框架通过量化近似误差何时足够小,支持高效的实时舍入。
  • 所有结果,包括实例化函数与边界生成,均通过 HOL Light 进行机械化检查,确保逻辑正确性。

更好的研究,从现在开始

从阅读论文到最终审阅,大幅缩短您的研究时间。

无需绑定信用卡

本解读由 AI 生成,并经人工编辑审核。