由于摩爾定律效用放緩，在設(shè)計(jì)芯片時(shí)，伴隨著性能的提升，功耗也與日俱增。為了更加了解功耗，就要對(duì)出現(xiàn)的各種問題進(jìn)行模擬，而真實(shí)模擬代價(jià)太大。就在這時(shí)，APOLLO應(yīng)運(yùn)而生，在芯片設(shè)計(jì)和運(yùn)行時(shí)期，都能夠?qū)倪M(jìn)行既快又準(zhǔn)確地預(yù)測(cè)。

作者 | 謝知遙

整理 | 王曄

編輯 | 青暮

第54屆IEEE/ACM計(jì)算機(jī)體系結(jié)構(gòu)頂會(huì)MICRO 2021于2021年10月16-20日作為全球在線活動(dòng)舉辦。希臘雅典作為主辦城市進(jìn)行轉(zhuǎn)播。

IEEE/ACM 微體系結(jié)構(gòu)國(guó)際研討會(huì)（IEEE/ACM International Symposium on Microarchitecture）是介紹和討論先進(jìn)計(jì)算和通信系統(tǒng)創(chuàng)新微架構(gòu)思想和技術(shù)的主要論壇。本次研討會(huì)匯集了與微架構(gòu)、編譯器、芯片和系統(tǒng)等相關(guān)領(lǐng)域的研究人員，就傳統(tǒng)微結(jié)構(gòu)主題和新興研究領(lǐng)域進(jìn)行技術(shù)交流。

來自杜克大學(xué)的謝知遙介紹了他們團(tuán)隊(duì)的最新工作《 APOLLO: An Automated Power Modeling Framework for Runtime Power Introspection in High-Volume Commercial Microprocessors 》，該論文獲得了MICRO2021最佳論文獎(jiǎng)（Best Paper Award）。

謝知遙是杜克大學(xué)計(jì)算機(jī)工程專業(yè)的博士生、 致力于EDA/VLSI 設(shè)計(jì)機(jī)器學(xué)習(xí)算法，擅長(zhǎng)機(jī)器學(xué)習(xí)、電子設(shè)計(jì)自動(dòng)化、VLSI設(shè)計(jì)、編程。

他的導(dǎo)師是陳怡然教授。陳怡然教授是杜克大學(xué)電子與計(jì)算機(jī)工程系教授，計(jì)算進(jìn)化智能中心主任，致力于新型存儲(chǔ)器及存儲(chǔ)系統(tǒng)，機(jī)器學(xué)習(xí)與神經(jīng)形態(tài)計(jì)算，以及移動(dòng)計(jì)算系統(tǒng)等方面的研究。

他們的工作APOLLO是針對(duì)于現(xiàn)代化的商業(yè)CPU或Micro processors所研發(fā)的一個(gè)自動(dòng)化的功耗模擬架構(gòu)（Power-Modeling Framework）。

AI科技評(píng)論有幸邀請(qǐng)到謝知遙，為我們親自解讀這篇論文的來龍去脈。

以下，AI科技評(píng)論對(duì)謝知遙的分享進(jìn)行了不改變?cè)獾恼恚?/span>

1

原因及目的

該工作是在CPU設(shè)計(jì)或運(yùn)行中所遇到的現(xiàn)實(shí)性問題的基礎(chǔ)之上進(jìn)行研究的。

首先第一個(gè)也是最大的問題。在CPU設(shè)計(jì)時(shí)期需要對(duì)power有更多的了解，而我們現(xiàn)在對(duì)power了解是不夠的。這取決于設(shè)計(jì)時(shí)的trade off，即權(quán)衡或取舍。芯片設(shè)計(jì)最大的一個(gè)trade off是performance and power，即要好的性能，還是要低的功耗。

設(shè)計(jì)師在設(shè)計(jì)每一代芯片時(shí)都要提升芯片的性能，通常反應(yīng)在提升IPC或者最大頻率等方面。在過去幾十年間，因?yàn)槟柖?，性能的提升較為容易。

但由于摩爾定律效用放緩，導(dǎo)致性能提升變得不再那么容易。在這種情況下，設(shè)計(jì)師就需要在微架構(gòu)上有更多的創(chuàng)新，但在這個(gè)過程中，伴隨運(yùn)行速度的增加，功耗往往也不斷增加。

另一方面輸電資源（power delivery sources）技術(shù)的發(fā)展非常緩慢。首先輸電線上的電阻很大，導(dǎo)致不能提供足夠的power。另外封裝技術(shù)有限，封裝上面的電感（inductance）會(huì)導(dǎo)致無法提供所需的快速變化的電流或power。

power和電流通常成正比，因此很難得到一個(gè)快速變化的電流。要一瞬間電流突然增大，只能慢慢的增大，不能一瞬間增大那么多。

結(jié)合兩方面因素，促使我們不僅想要在設(shè)計(jì)時(shí)對(duì)功耗有更多的了解，而且在運(yùn)行中要對(duì)power進(jìn)行管理，而不能出現(xiàn)很多不想要的情況。

運(yùn)行管理中最常見問題在于peak power mitigation。最大功耗有一個(gè)閾值，如果超過了閾值，就需要進(jìn)行管理，使功耗壓降低，否則會(huì)出現(xiàn)一系列的問題。管理power的峰值通常要準(zhǔn)確實(shí)時(shí)計(jì)算power。在CPU運(yùn)行時(shí)，根據(jù)power的計(jì)算減少給定CPU的指令，隨之功耗就會(huì)降低。

但現(xiàn)在在設(shè)計(jì)CPU時(shí)，很多情況下都是人工在芯片上找能夠模擬功耗的信號(hào)，這種方式不僅困難而且非常不準(zhǔn)確。

此外，更重要的一個(gè)問題是快速電流的變化（或者power的變化）會(huì)導(dǎo)致一個(gè)很快的電壓降叫做voltage-droop。

圖注：電流的快速變化導(dǎo)致的電壓的急劇變化

如圖所示，起初電壓保持不變，假設(shè)這一段時(shí)間CPU處于睡眠狀態(tài)，沒有執(zhí)行任何指令。然后突然運(yùn)行一個(gè)很大的程序，此時(shí)功耗和電流會(huì)突然增大。di/dt(即電流對(duì)時(shí)間求導(dǎo))電流的變化量也會(huì)變得非常大。此時(shí)voltage-droop從1伏變成0.9伏，這會(huì)造成很多問題。要避免這個(gè)問題也并非容易，由于發(fā)生時(shí)間非常短暫，因此對(duì)應(yīng)的處理策略也必須要在極短的時(shí)間內(nèi)將其控制住。

既然輸電上存在這么多問題，因此在芯片設(shè)計(jì)時(shí)，就要充分模擬芯片CPU上會(huì)遇到的各種問題。但如果要做到真實(shí)模擬代價(jià)是非常大。

工業(yè)界標(biāo)準(zhǔn)的 Power模擬流程

上圖所示的模式是非常準(zhǔn)確的，但可能需要花費(fèi)幾周時(shí)間，并且非常昂貴，反復(fù)花幾周時(shí)間進(jìn)行模擬是非常困難的。即使花費(fèi)了幾周時(shí)間，拿到了準(zhǔn)確的power，但得到的power是平均power，這中間可能存在幾千甚至幾百萬個(gè)周期，一個(gè)平均power是不夠用的。我們還關(guān)心最大power、一瞬間的最大power、快速變化時(shí)power的變化等等。

不同類型的power simulation的方法

Netlist Simulation是上述介紹的最準(zhǔn)確的，但可能需要花費(fèi)幾周時(shí)間。APOLLO位于藍(lán)點(diǎn)位置，在保持速度快的同時(shí)，準(zhǔn)確率很高（雖然不是最準(zhǔn)確但準(zhǔn)確率可達(dá)90%）。

2

APOLLO優(yōu)異性質(zhì)概括

• 首先，它在設(shè)計(jì)和運(yùn)行時(shí)，都能夠?qū)ower進(jìn)行既快又準(zhǔn)地預(yù)測(cè)。在商業(yè)化的CPU上能夠做到90%~95%的正確率，我們把它在Neoverse N1 CPU上進(jìn)行實(shí)現(xiàn)，我們發(fā)現(xiàn)它面積的overhead只有0.2%。

• 其次，對(duì)于任何一個(gè)設(shè)計(jì)該模型都可以自動(dòng)生成。

• 不僅如此，每個(gè)cycle都能得到一個(gè)準(zhǔn)確的power，時(shí)間分辨率非常好。

• 而且我們認(rèn)為APOLLO模型可以延展到更高層次的模擬。

預(yù)測(cè)結(jié)果實(shí)例

我們?cè)贜eoverse N1商業(yè)化的CPU上面，運(yùn)行了一個(gè)workload。這個(gè)workload非常大，一共有1700萬個(gè)時(shí)鐘周期。我們對(duì)這1700萬個(gè)時(shí)鐘周期的每一個(gè)cycle都進(jìn)行預(yù)測(cè)，上圖展示的是4萬個(gè)。在工業(yè)界用傳統(tǒng)的方法可能需要兩個(gè)星期的時(shí)間，而用我們的方法的，幾分鐘就可以做完。

準(zhǔn)確率高、速度快的同時(shí)，對(duì)存儲(chǔ)的要求減少了100倍以上，只需要存我們感興趣的信號(hào)，這也是一個(gè)非常大的提升。保持這樣的速度、準(zhǔn)確度，得到每個(gè)周期的power這在之前的工作中幾乎是做不到的。

3

APOLLO的組成部分

圖注：APOLLO的組成部分

APOLLO由兩大部分組成。

在設(shè)計(jì)時(shí)，它是一個(gè)又快又準(zhǔn)的 power 模型。如圖所示假如對(duì)信號(hào)模擬追蹤，所有信號(hào)都在不停的運(yùn)動(dòng)，根據(jù)這些可以得到一個(gè)準(zhǔn)確的power估計(jì)。

在CPU運(yùn)行時(shí)，它就會(huì)成為一個(gè)片上功率表（on-chip power meter）。我可以直接把它做的到CPU里面變成CPU的一個(gè)模塊，相當(dāng)于一個(gè)監(jiān)測(cè)工具，可以每時(shí)每刻提供CPU的功耗。

4

研究方法

如圖，對(duì)于任何一個(gè)design我們得到的都是RTL level。然后運(yùn)行一些程序，就會(huì)得到一個(gè)fsdb/VCD 文件，得知每個(gè)信號(hào)在每一個(gè)周期的一些信息，這是最基本的input。

基于此，每個(gè)cycle就可以進(jìn)行這樣處理。每個(gè)cycle中，對(duì)每個(gè)信號(hào)（ABCDE）用1表示它翻轉(zhuǎn)了，0表示沒有翻轉(zhuǎn)，要翻轉(zhuǎn)就肯定會(huì)有功耗。這是cycle0，同樣可以得到cycle1、cycle2等等，翻轉(zhuǎn)活動(dòng)就是模型的輸入，然后來預(yù)測(cè)功耗。

如圖，得到的矩陣的寬度是M， M表示design里面一共有M個(gè)signal，因此一共有M個(gè)輸入，每個(gè)cycle就是一個(gè)sample。接著每個(gè)cycle都會(huì)做power simulation，得到最準(zhǔn)確的power（p0、p1、p2……），將此作為一個(gè)vector。vector也是從p0開始的準(zhǔn)確的功耗，有x、y，有輸入有l(wèi)abel，就可以訓(xùn)練一個(gè)machine learning模型，得出F（x）=y。

我們想要做的是訓(xùn)練出既準(zhǔn)確又效率高的F。強(qiáng)調(diào)一點(diǎn)，我們的工作始終主要關(guān)注的是動(dòng)態(tài)的power。由于當(dāng)代CPU都非常復(fù)雜，并不是那么容易做，因此我們就要簡(jiǎn)化F模型。

核心思想

開始我們認(rèn)為一個(gè)線性的模型，就已經(jīng)足夠提供既準(zhǔn)確又快的power的估計(jì)。我們對(duì)動(dòng)態(tài)的功耗進(jìn)行模擬，計(jì)算的是電容的充放電，把所有的充放電的電容加起來得到總電容，然后乘以電壓的平方，就是cycle的功耗。因此它本身就是一個(gè)線性模型，我們認(rèn)為當(dāng)然也可以用一個(gè)線性模型來模擬總功耗的過程。

但是即使我們有一個(gè)線性模型，但這個(gè)線性模型還是M個(gè)input，M依然非常大，還是很復(fù)雜。

我們的第二個(gè)核心的思想是：一小部分cycle就能夠提供足夠的信息。因?yàn)楹芏嘈盘?hào)都是相關(guān)的并不是完全相互獨(dú)立，很多信號(hào)甚至完全一樣。只需要看一部分最有代表性的信號(hào)，就足夠作為模型的輸入。

因此我們從M個(gè)信號(hào)中自動(dòng)選取Q個(gè)有代表性的信號(hào)，我們把它叫做power proxies，然后讓Q遠(yuǎn)小于M，這樣模型就會(huì)變得很簡(jiǎn)單。

具體做法

我們用一種叫做剪枝的算法——pruning，比如開始是一個(gè)linear model，在 Linear model上面還要加一個(gè)penalty term，這個(gè)penalty term會(huì)懲罰所有的weight，如果weight過大，loss就會(huì)增加，使weight減少。這樣就可以讓絕大部分weight變?yōu)?，剩下則是不是0的weight，我認(rèn)為這些不是零的weight很重要。

即使加了penalty之后，weight還必須要不是0，將不是0的weight保留，對(duì)應(yīng)的信號(hào)就是要選取的信號(hào)。

在選取的過程中，會(huì)加一個(gè)非常強(qiáng)的penalty strength，使99.9%的weight全都變成0，這樣可以使選取的信號(hào)最具有代表性。對(duì)penalty加的是一個(gè)叫做Minimax concave penalty(MCP)，用于剪枝算法。

選取有代表性的信號(hào)，基于這些信號(hào)，重新訓(xùn)練一個(gè)線性的模型，這個(gè)線性的模型就是最終的模型。這是第一步，也是最重要的一步。

選用 MCP算法的原因

在剪枝的時(shí)候，選用的是 MCP算法，而不是很多人熟悉的Lasso或是其它的。是因?yàn)橐屵x取的Q遠(yuǎn)小于M，penalty實(shí)際上就要加的非常大，因此懲罰很大。

圖注：對(duì)不同的weight，Lasso和MCP的懲罰

如圖所示，Lasso很簡(jiǎn)單，它是一視同仁的，weight越大，懲罰就越大。如果這樣就相當(dāng)于所有的weight都在被懲罰。這會(huì)導(dǎo)致，在懲罰性很大的情況下，即使那些不是0的weight，也會(huì)被壓在一個(gè)非常小的值，模型就會(huì)變得不準(zhǔn)確。由此基于一個(gè)不準(zhǔn)確的模型，選出來的信號(hào)我們認(rèn)為也是不準(zhǔn)確的。

為了避免這種情況，所以我們使用了MCP。而使用MCP，當(dāng)weight大到一定程度時(shí)，不會(huì)繼續(xù)增大penalty。用MCP訓(xùn)練的模型，在整個(gè)訓(xùn)練過程中準(zhǔn)確率都是比較高的，基于準(zhǔn)確的模型做的剪枝，我們認(rèn)為也是比較準(zhǔn)確的。

另外我們觀察到MCP選擇的信號(hào)，彼此之間的相關(guān)性更小，這說明我們選的信號(hào)是有代表性的。

全自動(dòng)機(jī)器生成的基本算法

除了APOLLO的算法之外，我們還有一套算法來提供訓(xùn)練數(shù)據(jù)來源。我們用純機(jī)器自動(dòng)生成很多workload，基于這些workload，來生成上述的input x 、label y等等，workload的生成有一套遺傳算法。

開始有一些隨機(jī) workload，由于是隨機(jī)生成的，因此它的功耗比較低。我們選取里面功耗高的做crossover或mutate，這就是遺傳算法基本操縱。然后生成一些更高功耗的workload，一代又一代功耗會(huì)不斷增加。

最后生成的workload，我們把它叫做power virus，它們的功耗非常高。這樣我們就既得到了低功耗的workload，又有高功耗的，把兩個(gè)摻在一起，訓(xùn)練數(shù)據(jù)就很全面了，就能夠很準(zhǔn)確的訓(xùn)練模型，這是我們?nèi)詣?dòng)機(jī)器生成的一個(gè)基本算法。

實(shí)驗(yàn)結(jié)果

首先我們的實(shí)驗(yàn)是基于Neoverse N1和Crotex A77這兩個(gè)CPU來做的，因此我們既測(cè)了服務(wù)器端，又測(cè)了移動(dòng)端的CPU，讓保證它在所有的CPU上都有很好的表現(xiàn)。

測(cè)試的時(shí)候也需要workload，這些workload是工程師手動(dòng)寫出來的，非常具有代表性。我們選選擇了12個(gè)，既有有低功耗也有高功耗，還有快速變化的和保持不變的，覆蓋了各種類型。

預(yù)測(cè)的結(jié)果：粉色的是真實(shí)的值，綠色的是預(yù)測(cè)的值

結(jié)果表明，預(yù)測(cè)的結(jié)果和真實(shí)的值具有很明顯的相關(guān)性，匹配度很高。

我們測(cè)了它的error，MAE(mean absolute error)和RMSE(這兩個(gè)值是越小越好)小于10%，（該值越大越好）高于0.95，說明準(zhǔn)確率非常高。

同時(shí)我們計(jì)算了每個(gè)workload的MAE,發(fā)現(xiàn)所有類型的workload的MAE都少于10%，這說明了它的準(zhǔn)確性。并且即使是7%的錯(cuò)誤，也是由于清晰度太高，導(dǎo)致每個(gè)cycle之間有一個(gè)小錯(cuò)誤這個(gè)是很難避免的。如果從一個(gè)更大的measurement window來算平均power，就會(huì)更準(zhǔn)確。

事實(shí)上，APOLLO可以對(duì)任何一個(gè)measurement window進(jìn)行計(jì)算，而不僅僅是 per-cycle。

如上圖，如果現(xiàn)在不需要per-cycle，只要一個(gè)average power ，over128個(gè)cycle，在這種情況下，只需要70個(gè)input，就可以做出一個(gè)準(zhǔn)確的預(yù)測(cè)。預(yù)測(cè)結(jié)果error小于3%，如果能夠容忍一個(gè)更大的measurement window，準(zhǔn)確度將會(huì)幾乎接近100%，因此在降低條件的情況下，它的性能可以有進(jìn)一步的提升。

將APOLLO植入CPU

考慮到它的input數(shù)量少，同時(shí)模型簡(jiǎn)單、準(zhǔn)確度高，因此我們要把它做到CPU里面。

首先有Q個(gè)輸入作為input，輸入全都是0或者1，因此這個(gè)模型里面不需要乘法器，這樣可以節(jié)省很大一筆開銷。

同時(shí)weight作為quantization，不需要64位的weight那么準(zhǔn)，只要需要十幾位的weight，就可以很準(zhǔn)確，因此開銷又變得小了。

基于這個(gè)模型，用c++就可以很簡(jiǎn)單實(shí)現(xiàn)這個(gè)OMP模型，然后基于 C++的template，進(jìn)行Hign-Level Synthesis，獲得 design的RTL，如果這個(gè)RTL 可以和CPU的RTL合在一起，然后我們?nèi)プ?tape out，這是一個(gè)最基本的思路，而流程本身也很簡(jiǎn)單。

同時(shí)基于C++的硬件設(shè)計(jì)，還可以verifying，可以驗(yàn)證硬件設(shè)計(jì)也是準(zhǔn)確的。

上面的圖是APOLLO在軟件上運(yùn)行的結(jié)果。下面是硬件設(shè)計(jì)做的verification

如圖所示，驗(yàn)證的結(jié)果兩張圖幾乎是沒有任何區(qū)別的，計(jì)算后區(qū)別小于0.02%，肉眼幾乎不可見。

但注意下面這張圖首先沒有乘法器，另外它的weight現(xiàn)在不是64位，只有11位。在硬件已經(jīng)優(yōu)化的情況下它幾乎沒有準(zhǔn)確率的損失，這說明硬件設(shè)計(jì)非常好。

硬件一定有trade off，在accuracy和hardware cost之間尋求一個(gè)平衡，因此我們計(jì)算了一下它到底是如何trade off的，然后來輔助我們?cè)O(shè)計(jì)一個(gè)這樣的模塊。

如圖所示，我們用y軸來表示它的accuracy in error，然后用這個(gè)顏色來表示它在硬件上的代價(jià)(area overhead)，即占CPU比例是多少。

首先可以改變input的數(shù)量，另外一方面可以改變 quantization bits，我們改變這兩個(gè)值觀察它對(duì)accuracy和area overhead的trade off。

如上圖，測(cè)量的結(jié)果中每個(gè)點(diǎn)都會(huì)有一個(gè)accuracy對(duì)應(yīng)的hardware cost。當(dāng)W繼續(xù)小于10時(shí)，area會(huì)飛快的上升，即quantization 加的太大了，已經(jīng)使原來的X扭曲掉了。所以quantization不能加的過大，并且W沒必要大于12。因此我們策略是保持 W在10~12之間。

如果需要不同的solution，可以改變Q。比如我們根據(jù)這個(gè)策略，我們現(xiàn)在選到1個(gè)solution。如上圖，OPM的Q是159，weight是11位，error大概是10%，在Neoverse N1上它的area overhead小于0.2%。所以我們認(rèn)為它的實(shí)現(xiàn)代價(jià)非常低，并且準(zhǔn)確率足夠高，因此我們認(rèn)為這是一個(gè)非常不錯(cuò)的 solution。

所以到現(xiàn)在我已經(jīng)介紹了它在設(shè)計(jì)時(shí)期，作為一個(gè)軟件的準(zhǔn)確率，和它在片上作為一個(gè)硬件的準(zhǔn)確率以及實(shí)現(xiàn)的代價(jià)。

5

潛在應(yīng)用

它開啟了一些新的應(yīng)用領(lǐng)域。舉兩個(gè)例子：

CPU中選取的信號(hào)的來源

在設(shè)計(jì)時(shí)期它可以給設(shè)計(jì)師很多反饋，如上圖可以幫助設(shè)計(jì)師來了解 CPU里面功耗的組成。

為了進(jìn)一步利用這個(gè)性質(zhì)，我們可以允許CPU的設(shè)計(jì)師或架構(gòu)師，自己限制來源范圍，從里面找最有代表性的信號(hào)等，可以使設(shè)計(jì)師更容易理解這些信號(hào)。通過這種方法，這個(gè)模型的可解釋性就變得更強(qiáng)，然后更能夠輔助設(shè)計(jì)師來進(jìn)行設(shè)計(jì)的決策。這當(dāng)然這個(gè)是有一定代價(jià)的，如果限制了輸入，它的準(zhǔn)確率會(huì)有一定的下降，但下降非常少。

那么另外一個(gè)應(yīng)用是上面所講的voltage-droop電壓降的問題，面對(duì)這個(gè)問題也可以用OMP來解決。

上圖是用OPM來預(yù)測(cè)di/dt的值，橫坐標(biāo)是我們測(cè)到的真實(shí)值，縱坐標(biāo)是預(yù)測(cè)的值。當(dāng)di/dt是正的時(shí)候，電流和power需求在不斷的增加，那么這個(gè)時(shí)候有一個(gè)voltage-droop，電流需求增加，它的電壓就會(huì)突然下降。當(dāng)然，如果電流需求突然減少，它電壓就會(huì)突然上升。

相當(dāng)于我們有四個(gè)象限，如圖兩個(gè)藍(lán)色區(qū)域預(yù)測(cè)和實(shí)際值完全相反，這兩個(gè)是錯(cuò)的預(yù)測(cè)。而這兩個(gè)錯(cuò)的預(yù)測(cè)的區(qū)域，幾乎沒有點(diǎn)是落在這個(gè)地方，就說明預(yù)測(cè)錯(cuò)的很少。而在預(yù)測(cè)對(duì)的區(qū)域里面，我們的預(yù)測(cè)非常準(zhǔn)的。

因此我們的OPM可以在實(shí)際芯片運(yùn)行的時(shí)候來指導(dǎo)我們?nèi)ヌ幚磉@些情況，因?yàn)樗梢詼?zhǔn)確的預(yù)測(cè)。

中間很多的這些點(diǎn)，大家可能認(rèn)為它的correlation看起來并不好。但請(qǐng)注意，我們的橫軸和縱軸都是log scale，并不是linear scale，其實(shí)中間這個(gè)點(diǎn)它的值是非常小的，我們只是主動(dòng)的去把它放大，把這些correlation不好的地方讓大家去看清楚一些，實(shí)際上這些值非常小，所以實(shí)際上運(yùn)行的時(shí)候影響是不大的。這點(diǎn)我們也可以從pearson simulation看出來，pearson只有0.946，這說明我們的預(yù)測(cè)是非常準(zhǔn)確的，因此我們認(rèn)為我們的這個(gè)模型可以用于voltage-droop的motivation。同時(shí)大家注意這是CPU內(nèi)部主動(dòng)避免這個(gè)行為，相當(dāng)于是預(yù)防。因此就比再加一套電路去阻止它會(huì)有效得多。

6

總結(jié)

• 快速的power-madelling對(duì)設(shè)計(jì)和部署CPU產(chǎn)生了實(shí)質(zhì)性的影響

• 該方法與micro-architecture無關(guān)，且是自動(dòng)化的,可以擴(kuò)展到多個(gè)計(jì)算解決方案--CPU、GPU、NPU，甚至是子塊。

• 潛在應(yīng)用范圍：從多核SoC中的power/thermel管理擴(kuò)展到CPU驅(qū)動(dòng)的主動(dòng)降壓緩解。

• ML/Data-Science方法是在設(shè)計(jì)中的許多方面擁有巨大潛力。

雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。