按关键词阅读： 人工智能 机器人 疫苗 初创公司 快公司 cobi
文章插图
文章插图
- 首先，它在设计和运行时，都能够对power进行既快又准地预测。在商业化的CPU上能够做到90%~95%的正确率，我们把它在Neoverse N1 CPU上进行实现，我们发现它面积的overhead只有0.2%。
- 其次，对于任何一个设计该模型都可以自动生成。
- 不仅如此，每个cycle都能得到一个准确的power，时间分辨率非常好。
- 而且我们认为APOLLO模型可以延展到更高层次的模拟。
文章插图
我们在Neoverse N1商业化的CPU上面，运行了一个workload。这个workload非常大，一共有1700万个时钟周期。我们对这1700万个时钟周期的每一个cycle都进行预测，上图展示的是4万个。在工业界用传统的方法可能需要两个星期的时间，而用我们的方法的，几分钟就可以做完。
准确率高、速度快的同时，对存储的要求减少了100倍以上，只需要存我们感兴趣的信号，这也是一个非常大的提升。保持这样的速度、准确度，得到每个周期的power这在之前的工作中几乎是做不到的。
文章插图
在CPU运行时，它就会成为一个片上功率表（on-chip power meter）。我可以直接把它做的到CPU里面变成CPU的一个模块，相当于一个监测工具，可以每时每刻提供CPU的功耗。
文章插图
如图，得到的矩阵的宽度是M， M表示design里面一共有M个signal，因此一共有M个输入，每个cycle就是一个sample。接着每个cycle都会做power simulation，得到最准确的power（p0、p1、p2……），将此作为一个vector。vector也是从p0开始的准确的功耗，有x、y，有输入有label，就可以训练一个machine learning模型，得出F（x）=y。
稿源：(雷锋网)
【傻大方】网址：/c/1122a10022021.html
标题：功耗|既快又准并且低开销！一作亲解MICRO 2021最佳论文：一种自动化功耗模拟架构( 二 )