Treinamento de modelos de aprendizagem de máquina para a exploração de técnicas de armazenamento aproximado em codificadores de vídeos digitais

Descrição

Este projeto de pesquisa propõe a exploração do armazenamento aproximado em sistemas de memória de codificadores de vídeo do padrão Versatile Video Coding (VVC). Algoritmos de compressão de vídeo definidos pelo padrão emergente VVC apresentam altíssima complexidade computacional, uma vez que empregam técnicas avançadas para reduzir o volume de representação dos vídeos digitais, com foco em ultra alta definição (como 4K e 8K). Como efeito colateral, a execução destes algoritmos com alto desempenho e com baixo consumo de energia é um desafio de implementação nas mais diferentes plataformas. Com o objetivo de se reduzir o consumo de energia e viabilizar o processamento de vídeos eficiente definido pelo padrão VVC em dispositivos móveis alimentados por baterias, o uso de técnicas de armazenamento aproximado propõe a redução controlada na eficiência da codificação (menor qualidade do vídeo e menor taxas de compressão), em prol da redução do consumo de energia no armazenamento de informações que tenham propriedades resilientes (em outras palavras, dados tolerantes a falhas). Em outras palavras, o armazenamento aproximado assume que operações leituras e escritas da memória possam ser realizadas com erros (a uma taxa controlada). Para aplicações que sejam tolerantes a estas falhas, como aplicações multimídia, o efeito se dá em uma pior qualidade dos resultados: no caso da codificação de vídeo, em perdas de taxa de compressão e de qualidade no vídeo a ser exibido ao espectador. Para gerenciar a exploração do armazenamento aproximado em diferentes módulos da codificação de vídeo, este projeto irá se valer da metodologia de definição e utilização de modelos de aprendizagem de máquina, os quais serão treinados a partir de datasets extraídos de aplicações de referência da codificação de vídeo VVC. Estes modelos serão integrados a sistemas de gerenciamento de memórias aproximadas e terão o papel de aumentar a precisão na definição dos níveis mais adequados de aproximação a serem aplicados nos dados (taxas de erros), potencializando a exploração do armazenamento aproximado e mitigando as repercussões negativas em termos dos resultados da compressão de vídeo. A presente proposta representa uma continuação de um projeto anterior aprovado no ciclo 2025-2026 deste edital, onde foi possível: (1) realizar investigações iniciais para a escolha de modelos de aprendizagem de máquina (árvores de decisão e regressão logística); (2) desenvolver uma metodologia para treinamento e avaliação destes modelos; (3) empregar esta metodologia no treinamento de modelos com foco no módulo de predição intra-quadro; e (4) avaliar os resultados de acurácia atingidos. Com relação a esta proposta de projeto, pretende-se dar continuidade aos esforços já desenvolvidos, contemplando: (1) a integração de avaliação dos modelos já treinados em estratégias de armazenamento aproximado para o módulo de predição intra-quadro; (2) melhorias nas metodologias de treinamento e avaliação desenvolvidas; bem como (3) a exploração do armazenamento aproximado em outros módulos relevantes dentro dos codificadores de vídeo, como ferramentas definidas pelo padrão VVC para a etapa de predição inter-quadros.