CN113051854B - 基于硬件结构感知的自适应学习式功率建模方法与系统 - Google Patents
基于硬件结构感知的自适应学习式功率建模方法与系统 Download PDFInfo
- Publication number
- CN113051854B CN113051854B CN202011159495.4A CN202011159495A CN113051854B CN 113051854 B CN113051854 B CN 113051854B CN 202011159495 A CN202011159495 A CN 202011159495A CN 113051854 B CN113051854 B CN 113051854B
- Authority
- CN
- China
- Prior art keywords
- network
- power consumption
- adaptive learning
- network components
- evaluation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000008447 perception Effects 0.000 title description 2
- 238000011156 evaluation Methods 0.000 claims abstract description 64
- 230000003044 adaptive effect Effects 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims abstract description 8
- 230000007787 long-term memory Effects 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims 1
- 238000013178 mathematical model Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/33—Design verification, e.g. functional simulation or model checking
- G06F30/3308—Design verification, e.g. functional simulation or model checking using simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Power Sources (AREA)
Abstract
本公开提供了一种自适应学习式功率建模方法，包括：根据在一参数范围内的至少一参数，从多个网络成份中至少选择其中一个，以进行取样来组成一功率消耗评估网络；利用该功率消耗评估网络来评估一待测电路的一预测功率消耗；对于该待测电路的一实际功率消耗与该预测功率消耗进行训练与评估，以得到一评估结果；以及根据该评估结果来进行训练，以决定是否改变该功率消耗评估网络。
Description
技术领域
本公开有关于一种基于硬件结构感知之自适应学习式功率建模方法与系统。
背景技术
以目前而言，耗电与过热是智能手持装置芯片设计与制造业者所面临之关键议题。想要改善耗电，可以从架构、软件、硬件、硅智财、晶圆制造等层面进行整体考虑。
目前的产业趋势为，以功耗为导向来设计电子系统层级(Electronic SystemLevel，ESL)。例如，可以将“电子系统层级”的设计当成工具以进行系统功耗的优化。此外，目前也已发表系统功耗模型的标准接口，以提升产业需求。
以PPA(Performance(性能)，Power(功率)，Area(电路面积))优化而言，在性能得到满足的情况下，来将功率与电路面积最小化，如此可以提升芯片的整体效能。
公开内容
根据本公开一实施例，提出一种自适应学习式功率建模方法，包括：根据在一参数范围内的至少一参数，从多个网络成份中至少选择其中一个，以进行取样来组成一功率消耗评估网络；利用该功率消耗评估网络来评估一待测电路的一预测功率消耗；对于该待测电路的一实际功率消耗与该预测功率消耗进行训练与评估，以得到一评估结果；以及根据该评估结果来进行训练，以决定是否改变该功率消耗评估网络。
根据本公开另一实施例，提出一种自适应学习式功率建模系统，用以评估一待测电路的一预测功率消耗，该自适应学习式功率建模系统包括：一控制器。该控制器架构成用以：根据在一参数范围内的至少一参数，从多个网络成份中至少选择其中一个，以进行取样来组成一功率消耗评估网络；利用该功率消耗评估网络来评估该待测电路的该预测功率消耗；对于该待测电路的一实际功率消耗与该预测功率消耗进行训练与评估，以得到一评估结果；以及根据该评估结果来进行训练，以决定是否改变该功率消耗评估网络。
附图说明
图1显示根据本公开一实施例的基于硬件结构感知的自适应学习式功率建模系统的示意图。
图2显示根据本公开一实施例中，对待测电路的内部架构预测模型。
图3显示根据本公开另一实施例的基于硬件结构感知的自适应学习式功率建模方法的示意图。
图4A至图4D显示本公开一实施例所可以用的候选功率消耗评估网络的候选网络成份。
图5A至图5C显示根据本公开一实施例的数个功率消耗评估网络的示意图。
图6显示根据本公开一实施例的自适应学习式功率建模方法。
附图标记说明
100：自适应学习式功率建模系统
110：待测电路
120：电路功率消耗数学模型
130：自适应性在线调整单元
a：输入信号
y’：估测功率消耗
y：实际功率消耗
e：误差值
A_I(t)：输入信号
A_R0(t)：内部缓存器R0的输出信号
A_R1(t)：内部缓存器R1的输出信号
A_O(t)：输出信号
R0、R1：内部缓存器
310：自适应学习式功率建模方法
320：网络成份
330，350，370：步骤
340：功率消耗评估网络
360：评估结果
410：待测电路
420：最大值输出单元
430：连接单元
440：LSTM网络
L1～L32：层
610～640：步骤
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
本说明书的技术用语是参照本技术领域的习惯用语，如本说明书对部分用语有加以说明或定义，该部分用语之解释系以本说明书的说明或定义为准。本公开的各个实施例分别具有一或多个技术特征。在可能实施的前提下，本技术领域具有通常知识者可选择性地实施任一实施例中部分或全部的技术特征，或者选择性地将这些实施例中部分或全部的技术特征加以组合。
图1显示根据本公开一实施例的基于硬件结构感知之自适应学习式功率建模系统100的示意图。如图1所示，自适应学习式功率建模系统100可以估测待测电路110的功率消耗。自适应学习式功率建模系统100包括：电路功率消耗数学模型120与自适应性在线调整单元130。在本公开实施例中，待测电路110的内部实际架构是不清楚的。电路功率消耗数学模型120与自适应性在线调整单元130可由一控制器所实施。
电路功率消耗数学模型120可用以估测待测电路110的功率消耗。自适应性在线调整单元130则可用于调整电路功率消耗数学模型120，以使得电路功率消耗数学模型120的估测更加准确及/或降低电路功率消耗数学模型120的复杂度。
在本公开实施例的图1中，符号a代表输入信号，符号y代表待测电路110的实际功率消耗(经由测量而得)，符号y’代表电路功率消耗数学模型120所估测出的估测功率消耗(经由预估而得)，符号e(e＝y-y’)代表待测电路110的实际功率消耗y与电路功率消耗数学模型120所估测出的估测功率消耗y’之间的误差值。自适应性在线调整单元130则可根据误差值e来调整电路功率消耗数学模型120，以使得电路功率消耗数学模型120的估测更加准确及/或降低电路功率消耗数学模型120的复杂度。
图2显示根据本公开一实施例中，对待测电路110的内部架构预测模型。如图2所示，由于无法得知待测电路110的实际内部架构，故而，在本公开实施例中，以图2的架构与概念来预估待测电路110的内部架构预测模型。以图2为例，待测电路110的内部架构预测模型包括：数个逻辑电路与数个内部缓存器(Register)R0、R1，但当知本公开并不受限于此。
如果以图2的预测模型来看的话，则待测电路110的功率消耗P1(t)可以表示为Pl(t)＝F1(AI(t)，AR0(t)，AR1(t)，AO(t))，其中AI(t)代表输入信号；AR0(t)代表内部缓存器R0的输出信号；AR1(t)代表内部缓存器R1的输出信号；以及AO(t)代表输出信号
但如果将图2的预测模型排除内部缓存器R0与R1的话，也就是说，待测电路110的功率消耗P2(t)可以估测为：其中，m值代表相对于输入信号AI(t)之过往输入信号AI(t-m)之时间间隔。待测电路110之功率估测值仅与输入与输出信号有关而不包括内部缓存器R0与R1，所以可视为输入信号在待测电路110内被依序传送至其输出级。故而，待测电路110的功率消耗P2(t)有关于AI(t-1)，AI(t-2)，…，AI(t-m)。
图3显示根据本公开另一实施例的基于硬件结构感知之自适应学习式功率建模方法310的示意图。于图3中，于步骤330中，控制器(未示出)根据在参数范围(该参数范围可由使用者所输入/指定/改变)内的至少一参数，从多个网络成份(network component)320中至少选择其中一个，以进行取样以组成“功率消耗评估网络”340(亦即图1中的电路功率消耗数学模型120)。于步骤350中，利用所组成的功率消耗评估网络340来评估待测电路110的预测功率消耗y’，并且对于待测电路110的实际功率消耗与所估测出的预测功率消耗进行训练与评估，以得到评估结果360。评估结果360可以包括准确度(亦即实际功率消耗与预测功率消耗之间的误差值)与复杂度(意指功率消耗评估网络340的模型复杂度)。于步骤370中，由控制器(未示出)根据评估结果360(亦即，控制器根据准确度(亦即实际功率消耗与预测功率消耗之间的误差值)与复杂度(意指功率消耗评估网络的模型复杂度))来进行控制器训练。如果发现未能于准确度与复杂度之间取得平衡点(tradeoff)，或者是准确度未达标准，或者是复杂度未达标准，则回到步骤330来组成另一个功率消耗评估网络340(例如是，通过改变参数，或者是从该些网络成份320中选择其他的网络成份，以组成另一个功率消耗评估网络340)，或者是，根据评估结果360来决定是否改变该功率消耗评估网络340。藉此来评估待测电路110的预测功率消耗，以兼顾准确度与复杂度。
此外，于本公开实施例中，该些网络成份320可以是储存于非瞬时计算机可读取媒介(例如但不受限于，光盘，硬盘，固态硬盘，内存等)。而控制器(未示出)则可以是硬件，软件或韧体所组成。亦即，控制器可以从非瞬时计算机可读取媒介中读出或选择该些网络成份320的至少一者，以进行取样来组成“功率消耗评估网络”340。
现将说明在本公开实施例中，步骤330(从该些网络成份320中选择以组成功率消耗评估网络340)的细节。
图4A至图4D显示本公开一实施例所可以用的候选功率消耗评估网络的候选网络成份。图4A显示长短期记忆(Long-Short Term Memory(LSTM))网络。长短期记忆网络是一种递归神经网络(Recurrent Neural Network，RNN)，适合于处理和预测时间序列中的长间隔和长延迟事件。LSTM网络之主要特征为利用sigmoid(S型函数)激活函数(ActivationFunction)与tanh(双曲正切函数)激活函数(Activation Function)来控制信号之激活程度。
图4B显示长短期记忆(LSTM)与最大值输出(Maxout)所合并出的网络。最大值输出(Maxout)单元主要之目的是降低输入信号之数目以减少功率估测之运算复杂度。如图4B所示，假设待测电路410的输入信号包括：2位的输入数据data_in[1：0]、3位的地址信号address[2：0]、1位的频率信号clk与1位的致能信号EN，而待测电路的输出信号包括：2位的输出数据data_out[1：0]与1位的完成信号DN。而最大值输出单元420的架构可以如图4B所示。所以，当在仿真/预估待测电路410的预测功率消耗时，可以如图4B下方所示，将2位的输入数据data_in[1：0]、3位的地址信号address[2：0]与2位的输出数据data_out[1：0]分别输入至3个最大值输出单元420，并将这3个最大值输出单元420的输出、1位的致能信号EN与1位的完成信号DN输入至连接单元430与LSTM网络440，以估测出待测电路410的预测功率消耗。连接单元430之主要功能为将多个数据合并为一个数据。
图4C图4B显示空洞原因卷积(dilated causal convolution)网络的示意图。于图4C图4B中，空洞因子(dilation factor)d为1、2与4，而滤波器尺寸(filter size)k＝3，x代表网络输入而y^代表网络输出。亦即，如果在步骤320中，选择参数d＝1、2、4而k＝3，且网络形态为空洞原因卷积网络，则图1中的电路功率消耗数学模型120则如图4C图4B所示。
图4D显示时间卷积网络(Temporal Convolution Network，TCN)的示意图。于图4D中，参数k＝3而d＝1。于图4D中，P1代表恒等映射(identity mapping)，而其余的线则代表滤波器。
如果以图4C图4B与图4D来看，在选择网络成份时，对于每一层的组成(如其滤波器是否为3×3滤波器，其输入信号的维度，需要几个输出入通道)，这些都是可以选的，所要建构的层数亦是可以改变/选择的。而不同层之间的连接方式也是可以改变/选择的。或者是，层与层之间是否要做剩余连接(residual connection)，也是可以改变/选择的。亦即，上述参数皆可视为是网络成份的组成。
当然，本公开并不受限于图4A至图4D所示的功率消耗评估网络的网络成份，在本公开其他可能实施例中，也可以有其他样态的功率消耗评估网络的网络成份，此皆在本公开精神范围内。
从以上说明可得知，在本公开实施例中，图3的该些网络成份320可以包括：图4A的长短期记忆网络的网络成份；或者是，图4B的由长短期记忆(LSTM)与最大值输出(Maxout)所合并出的网络的网络成份；或者是，图4C图4B的空洞原因卷积网络的网络成份；或者是，时间卷积网络的网络成份。
此外，由上述说明可得知，在本公开实施例中，以图4C图4B为例，通过改变不同参数(例如改变参数d或者参数k)，可以组成另一个空洞原因卷积(亦即组成另一个功率消耗评估网络340)。
图5A至图5C显示根据本公开一实施例的数个功率消耗评估网络的示意图。如图5A所示，功率消耗评估网络包括层L1-L6。如图5B所示，功率消耗评估网络包括层L7-L13。如图5C所示，功率消耗评估网络包括层L14-L32。例如，可能在前一回合中，以图5A的功率消耗评估网络来进行功率消耗评估，但其效果不佳，故而，于下一回合中，改变参数以让功率消耗评估网络变成图5B或图5C的形态。在图5A至图5C中，各层L1-L32可以是图4A至图4D中的任一网络成份。当然，本公开并不受限于图5A至图5C所示的功率消耗评估网络，在本公开其他可能实施例中，也可以有其他样态的功率消耗评估网络，此皆在本公开精神范围内。
在本公开实施例中，电路功率消耗数学模型120(功率消耗评估网络340)可推论出待测电路之输入信号与相对应之输出功率。此外，电路功率消耗数学模型120(功率消耗评估网络340)的算法可以针对时间序相关输入进行输出预测，例如LSTM，闸递归单元(GRU，Gated Recurrent Units)，与时间卷积网络(TCN)等算法。在给定输入信号时，该些算法可估算出待测电路的输出功率。此外，于本公开实施例中，该些算法可根据电路复杂度来调整电路功率消耗数学模型120(功率消耗评估网络340)。
图6显示根据本公开一实施例的自适应学习式功率建模方法，包括：(610)根据在一参数范围内的至少一参数，从多个网络成份中至少选择其中一个，以进行取样来组成一功率消耗评估网络；(620)利用该功率消耗评估网络来评估一待测电路的一预测功率消耗；(630)对于该待测电路的一实际功率消耗与该预测功率消耗进行训练与评估，以得到一评估结果；以及(640)根据该评估结果来进行训练，以决定是否改变该功率消耗评估网络。
由上述可知，在本公开实施例中，即便是不知道待测电路的内部实际电路架构，本公开实施例仍可以有效地透过利用电路功率消耗数学模型(或功率消耗评估网络)来预估待测电路的预测功率消耗。此外，本公开实施例更可以在电路功率消耗数学模型(或功率消耗评估网络)的准确度与复杂度之间得到平衡。
综上所述，虽然本公开已以实施例揭露如上，然其并非用以限定本公开。本公开所属技术领域中具有通常知识者，在不脱离本公开之精神和范围内，当可作各种之更动与润饰。因此，本公开之保护范围当视后附之申请专利范围所界定者为准。
Claims (20)
1.一种自适应学习式功率建模方法，包括：
根据在一参数范围内的至少一参数，从多个网络成分中至少选择其中一个，以进行取样来组成一功率消耗评估网络；
利用该功率消耗评估网络来评估一待测电路的一预测功率消耗；
对于该待测电路的一实际功率消耗与该预测功率消耗进行训练与评估，以得到一评估结果；以及
根据该评估结果来进行训练，以决定是否改变该功率消耗评估网络，
其中，通过改变该至少一参数，或者是从该多个网络成分中选择至少一个其他网络成分，以改变该功率消耗评估网络。
2.根据权利要求1所述的自适应学习式功率建模方法，其中，该参数范围可由使用者所输入或指定或改变。
3.根据权利要求1所述的自适应学习式功率建模方法，其中，该评估结果包括一准确度，该准确度有关于该待测电路的该实际功率消耗与该预测功率消耗之间的一误差值。
4.根据权利要求3所述的自适应学习式功率建模方法，其中，该评估结果包括一复杂度。
5.根据权利要求4所述的自适应学习式功率建模方法，其中，根据该评估结果，如果决定未能于该准确度与该复杂度之间取得平衡点，或者是该准确度未达一准确度标准，或者是该复杂度未达一复杂度标准，则通过改变该至少一参数，或者是从该多个网络成分中选择其他网络成分，以改变该功率消耗评估网络。
6.根据权利要求1所述的自适应学习式功率建模方法，其中，该多个网络成分储存于一非瞬时计算机可读取媒介内，以及从该非瞬时计算机可读取媒介中读出或选择该多个网络成分的该至少一者，以进行取样来组成该功率消耗评估网络。
7.根据权利要求1所述的自适应学习式功率建模方法，其中，该多个网络成分包括一长短期记忆网络。
8.根据权利要求1所述的自适应学习式功率建模方法，其中，该多个网络成分包括由长短期记忆与最大值输出所合并出的一网络。
9.根据权利要求1所述的自适应学习式功率建模方法，其中，该多个网络成分包括一空洞原因卷积网络。
10.根据权利要求1所述的自适应学习式功率建模方法，其中，该多个网络成分包括一时间卷积网络。
11.一种自适应学习式功率建模系统，用以评估一待测电路的一预测功率消耗，该自适应学习式功率建模系统包括：
一控制器，该控制器架构成用以：
根据在一参数范围内的至少一参数，从多个网络成分中至少选择其中一个，以进行取样来组成一功率消耗评估网络；
利用该功率消耗评估网络来评估该待测电路的该预测功率消耗；
对于该待测电路的一实际功率消耗与该预测功率消耗进行训练与评估，以得到一评估结果；以及
根据该评估结果来进行训练，以决定是否改变该功率消耗评估网络；
其中，通过改变该至少一参数，或者是从该多个网络成分中选择至少一个其他网络成分，以改变该功率消耗评估网络。
12.根据权利要求11所述的自适应学习式功率建模系统，其中，该参数范围可由使用者所输入或指定或改变。
13.根据权利要求11所述的自适应学习式功率建模系统，其中，该评估结果包括一准确度，该准确度有关于该待测电路的该实际功率消耗与该预测功率消耗之间的一误差值。
14.根据权利要求13所述的自适应学习式功率建模系统，其中，该评估结果包括一复杂度。
15.根据权利要求14所述的自适应学习式功率建模系统，其中，根据该评估结果，如果该控制器决定未能于该准确度与该复杂度之间取得平衡点，或者是该准确度未达一准确度标准，或者是该复杂度未达一复杂度标准，则通过改变该至少一参数，或者是从该多个网络成分中选择其他网络成分，以改变该功率消耗评估网络。
16.根据权利要求11所述的自适应学习式功率建模系统，其中，该多个网络成分储存于一非瞬时计算机可读取媒介内，该控制器从该非瞬时计算机可读取媒介中读出或选择该多个网络成分的该至少一者，以进行取样来组成该功率消耗评估网络。
17.根据权利要求11所述的自适应学习式功率建模系统，其中，该多个网络成分包括一长短期记忆网络。
18.根据权利要求11所述的自适应学习式功率建模系统，其中，该多个网络成分包括由长短期记忆与最大值输出所合并出的一网络。
19.根据权利要求11所述的自适应学习式功率建模系统，其中，该多个网络成分包括一空洞原因卷积网络。
20.根据权利要求11所述的自适应学习式功率建模系统，其中，该多个网络成分包括一时间卷积网络。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/728,341 US11657273B2 (en) | 2019-12-27 | 2019-12-27 | Hardware structure aware adaptive learning based power modeling method and system |
| US16/728,341 | 2019-12-27 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113051854A CN113051854A (zh) | 2021-06-29 |
| CN113051854B true CN113051854B (zh) | 2024-05-07 |
Family
ID=76507812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011159495.4A Active CN113051854B (zh) | 2019-12-27 | 2020-10-26 | 基于硬件结构感知的自适应学习式功率建模方法与系统 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11657273B2 (zh) |
| CN (1) | CN113051854B (zh) |
| TW (1) | TWI747130B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11657273B2 (en) * | 2019-12-27 | 2023-05-23 | Industrial Technology Research Institute | Hardware structure aware adaptive learning based power modeling method and system |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9170912B1 (en) * | 2012-04-09 | 2015-10-27 | Purdue Research Foundation | System and methods for power and energy modeling in computing devices using system call tracing |
| TW201640272A (zh) * | 2014-12-24 | 2016-11-16 | 英特爾股份有限公司 | 用於類比前端的低功率上下文感知控制 |
| US9874923B1 (en) * | 2005-05-30 | 2018-01-23 | Invent.Ly, Llc | Power management for a self-powered device scheduling a dynamic process |
| TW201933359A (zh) * | 2017-09-29 | 2019-08-16 | 美商橫杆股份有限公司 | 運算記憶體之架構 |
Family Cites Families (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6810482B1 (en) * | 2001-01-26 | 2004-10-26 | Synopsys, Inc. | System and method for estimating power consumption of a circuit thourgh the use of an energy macro table |
| US20060080076A1 (en) | 2004-10-12 | 2006-04-13 | Nec Laboratories America, Inc. | System-level power estimation using heteregeneous power models |
| WO2007066319A1 (en) | 2005-12-08 | 2007-06-14 | Mentor Graphics Corporation | Conversion of switching signals of a circuit simulation into a transaction model |
| US8874943B2 (en) * | 2010-05-20 | 2014-10-28 | Nec Laboratories America, Inc. | Energy efficient heterogeneous systems |
| TW201224748A (en) | 2010-12-06 | 2012-06-16 | Ind Tech Res Inst | Transaction level system power estimation method and system |
| US8904209B2 (en) | 2011-11-14 | 2014-12-02 | Microsoft Corporation | Estimating and managing power consumption of computing devices using power models |
| US9141736B2 (en) | 2012-09-02 | 2015-09-22 | Ninad Huilgol | Method for power estimation for virtual prototyping models for semiconductors |
| US8495538B1 (en) * | 2012-08-14 | 2013-07-23 | Xilinx, Inc. | Power estimation of a circuit design |
| US9152168B2 (en) * | 2012-09-06 | 2015-10-06 | International Business Machines Corporation | Systems and methods for system power estimation |
| US20140107999A1 (en) | 2012-10-12 | 2014-04-17 | Silicon Integration Initiative, Inc. | Multi-level abstract power modeling method |
| US9563724B2 (en) | 2013-09-28 | 2017-02-07 | International Business Machines Corporation | Virtual power management multiprocessor system simulation |
| CN104036451B (zh) | 2014-06-20 | 2018-12-11 | 深圳市腾讯计算机系统有限公司 | 基于多图形处理器的模型并行处理方法及装置 |
| TWI531187B (zh) * | 2014-11-24 | 2016-04-21 | 財團法人工業技術研究院 | 晶片上網路之時序功率估算裝置與方法 |
| US10146286B2 (en) | 2016-01-14 | 2018-12-04 | Intel Corporation | Dynamically updating a power management policy of a processor |
| TWI670615B (zh) * | 2017-08-24 | 2019-09-01 | 財團法人工業技術研究院 | 功耗估算方法與功耗估算裝置 |
| US11025061B2 (en) * | 2019-03-28 | 2021-06-01 | Accenture Global Solutions Limited | Predictive power usage monitoring |
| US11657273B2 (en) * | 2019-12-27 | 2023-05-23 | Industrial Technology Research Institute | Hardware structure aware adaptive learning based power modeling method and system |
| CN112149373B (zh) * | 2020-09-25 | 2022-06-03 | 武汉大学 | 一种复杂模拟电路故障识别与估计方法及系统 |
| US11651129B2 (en) * | 2020-11-05 | 2023-05-16 | Synopsys, Inc. | Selecting a subset of training data from a data pool for a power prediction model |
| US20220237437A1 (en) * | 2021-01-26 | 2022-07-28 | Khalifa University of Science and Technology | Metacognitive sedenion-valued neural networks |
| US11397685B1 (en) * | 2021-02-24 | 2022-07-26 | Arm Limited | Storing prediction entries and stream entries where each stream entry includes a stream identifier and a plurality of sequential way predictions |
-
2019
- 2019-12-27 US US16/728,341 patent/US11657273B2/en active Active
-
2020
- 2020-01-08 TW TW109100589A patent/TWI747130B/zh active
- 2020-10-26 CN CN202011159495.4A patent/CN113051854B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9874923B1 (en) * | 2005-05-30 | 2018-01-23 | Invent.Ly, Llc | Power management for a self-powered device scheduling a dynamic process |
| US9170912B1 (en) * | 2012-04-09 | 2015-10-27 | Purdue Research Foundation | System and methods for power and energy modeling in computing devices using system call tracing |
| TW201640272A (zh) * | 2014-12-24 | 2016-11-16 | 英特爾股份有限公司 | 用於類比前端的低功率上下文感知控制 |
| TW201933359A (zh) * | 2017-09-29 | 2019-08-16 | 美商橫杆股份有限公司 | 運算記憶體之架構 |
Non-Patent Citations (1)
| Title |
|---|
| 无线网络中具有信道感知的期望能耗最小化策略研究;黄荣喜等;计算机科学;第45卷(第10期);第130-137页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210201127A1 (en) | 2021-07-01 |
| US11657273B2 (en) | 2023-05-23 |
| TWI747130B (zh) | 2021-11-21 |
| TW202125338A (zh) | 2021-07-01 |
| CN113051854A (zh) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109376615B (zh) | 用于提升深度学习网络预测性能的方法、装置及存储介质 | |
| CN110138475B (zh) | 一种基于lstm神经网络的自适应门限信道占用状态预测方法 | |
| CN111079780B (zh) | 空间图卷积网络的训练方法、电子设备及存储介质 | |
| CN111178548B (zh) | 集成学习预测方法与系统 | |
| CN112232476A (zh) | 更新测试样本集的方法及装置 | |
| US11416664B2 (en) | AI-driven self adapting microelectronic circuits | |
| CN111914516B (zh) | 一种网络数据预测序列生成方法、装置、设备及存储介质 | |
| US20200250529A1 (en) | Arithmetic device | |
| CN111401545A (zh) | 神经网络优化装置和神经网络优化方法 | |
| CN113051854B (zh) | 基于硬件结构感知的自适应学习式功率建模方法与系统 | |
| CN114840375B (zh) | 一种半导体存储产品的老化性能测试方法及系统 | |
| US20230186007A1 (en) | System and method for optimizing integrated circuit layout based on neural network | |
| CN116897356A (zh) | 算子的调度运行时间比较方法、装置及存储介质 | |
| CN116090536A (zh) | 神经网络的优化方法、装置、计算机设备及存储介质 | |
| JP2021184139A (ja) | 管理計算機、管理プログラム、及び管理方法 | |
| CN114781248A (zh) | 基于状态偏移矫正的离线强化学习方法及装置 | |
| KR20210027590A (ko) | 복수의 서브 모델을 포함한 다층 인공 신경망 성능 평가 장치 및 그 방법 | |
| CN114168318A (zh) | 存储释放模型的训练方法、存储释放方法及设备 | |
| CN116842853B (zh) | 用于不确定度量化的导弹气动特性预测模型构建方法 | |
| CN111930602A (zh) | 性能指标预测方法及装置 | |
| CN117010272A (zh) | 基于强化学习的决策生成方法、装置、计算机设备和介质 | |
| CN115561724A (zh) | 认知雷达目标识别效果在线评估方法、装置和计算机设备 | |
| Sobhgol et al. | Processing of data for dependability analysis of wireless communication | |
| CN117075684B (zh) | 一种Chiplet芯片的自适应时钟网格化校准方法 | |
| US20220405599A1 (en) | Automated design of architectures of artificial neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |