这篇论文的标题是《Addition is All You Need for Energy-Efficient Language Models》，以下是对论文各部分的介绍：

摘要

这篇论文提出了一种新的算法——线性复杂度乘法（ℒ-Mul），它可以用整数加法操作来近似浮点数的乘法，从而显著减少计算资源的消耗，同时保持高精度。该算法与8位浮点数乘法相比，能够实现更高的精度，并且消耗的计算资源更少。论文还展示了在各种文本、视觉和符号任务上的评估结果，表明该算法在自然语言理解、结构推理、数学和常识问答等任务上的应用是有效的。

研究背景

现代人工智能（AI）系统，尤其是大型语言模型（LLMs），在推理过程中需要进行大量的计算，消耗了大量的电力资源。为了减少能源消耗和提高推理速度，关键在于减少神经网络所需的计算量。特别是，神经网络中的注意力机制由于其计算复杂度为O(N^2)，是计算效率的主要瓶颈。

主要贡献提出了ℒ-Mul算法，它可以用整数加法来近似浮点数乘法，减少了计算资源的消耗。证明了ℒ-Mul算法在精度上优于8位浮点数乘法，并且在能效上有显著提升。在多种语言和视觉任务上验证了ℒ-Mul算法的有效性，并且展示了在不同的模型和任务上应用该算法几乎不会损失性能。

研究方法提出了ℒ-Mul算法，该算法通过观察浮点数的表示和乘法操作的特性，用整数加法来近似实现浮点数的乘法。对ℒ-Mul算法的理论误差进行了估计，并在不同的数值精度设置下进行了实验验证。在包括自然语言推理、视觉问答和数学问题解答在内的多个基准测试上评估了ℒ-Mul算法的性能。实验结果

实验表明，使用ℒ-Mul算法的模型在多种任务上与使用标准浮点数乘法的模型相比，性能几乎无损，并且在一些情况下甚至有所提升。此外，实验还证明了ℒ-Mul算法在能效上的优势，能够在保持高精度的同时显著降低能源消耗。

结论

论文最后得出结论，ℒ-Mul算法是一种有效的方法，可以在保持模型性能的同时显著提高能源效率。这种算法对于数据中心、机器人技术以及各种边缘计算设备中的AI部署具有重要的实际意义。

一句话总结

这篇论文提出了一种新的算法，通过使用整数加法来近似浮点数乘法，实现了在不损失模型性能的情况下显著提高能源效率。

论文链接https://arxiv.org/abs/2410.00907