CN117873690B - 运算器芯片功耗管理方法、计算子系统以及智能计算平台 - Google Patents

运算器芯片功耗管理方法、计算子系统以及智能计算平台 Download PDF

Info

Publication number
CN117873690B
CN117873690B CN202410276853.1A CN202410276853A CN117873690B CN 117873690 B CN117873690 B CN 117873690B CN 202410276853 A CN202410276853 A CN 202410276853A CN 117873690 B CN117873690 B CN 117873690B
Authority
CN
China
Prior art keywords
power consumption
real
time
task
chip
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
Application number
CN202410276853.1A
Other languages
English (en)
Other versions
CN117873690A (zh
Inventor
邓练兵
巩志国
王岩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Qinzhi Technology Research Institute Co ltd
Original Assignee
Guangdong Qinzhi Technology Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Qinzhi Technology Research Institute Co ltd filed Critical Guangdong Qinzhi Technology Research Institute Co ltd
Publication of CN117873690A publication Critical patent/CN117873690A/zh
Application granted granted Critical
Publication of CN117873690B publication Critical patent/CN117873690B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • G06F9/4893—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues taking into account power or heat criteria
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请属于数据处理领域，尤其涉及运算器芯片功耗管理方法、计算子系统以及智能计算平台，该方法包括：获取目标运算器芯片的实时运行数据；所述实时运行数据用于表示目标运算器芯片的实时运行情况；采用芯片多模态功耗预测模型，对所述实时运行数据在不同工作模式下的芯片功耗进行预测，以获得适用于目标运算器芯片的目标工作模式；其中，目标工作模式为目标运算器芯片满足实时运行需求时芯片功耗最低的一种工作模式；动态配置目标运算器芯片的实时运行参数，以使目标运算器芯片达到目标工作模式。该方法能够降低运算器的功耗、优化能效，为运算器实现低能耗与高性能的平衡，提高设备的运行效率。

Description

运算器芯片功耗管理方法、计算子系统以及智能计算平台
技术领域
本申请属于数据处理领域，尤其涉及运算器芯片功耗管理方法、计算子系统以及智能计算平台。
背景技术
目前，为提升各个产业、各个领域的智能化应用普及程度，亟待构建一种智能化计算平台，用以辅助智能超算中心的建设，为科研、产业、城市服务提供人工智能平台的构建基础，进一步通过智能化计算平台实现人才聚集、产业升级、发展。
相关技术中，随着人工智能、深度学习等计算密集型任务的应用不断增加，传统的高能耗设备已经无法满足环境保护的需求。构建低能耗运算器有助于降低设备的功耗，减少整个数据中心的能耗消耗，进而节约能源，减少碳排放，推动绿色可持续发展。此外，在大规模的数据中心和智能计算平台中，能耗是一个重要的支出成本，因而，构建低能耗运算器可以降低设备运行的电费支出，提高设备的运行效率。
因此，在保证计算性能的前提下，如何尽可能降低运算器的功耗、优化能效，实现低能耗与高性能的平衡，是一个亟待解决的技术问题。
发明内容
本申请提供了运算器芯片功耗管理方法、计算子系统以及智能计算平台，用以降低运算器的功耗、优化能效，为运算器实现低能耗与高性能的平衡，提高设备的运行效率。
第一方面，本申请提供了运算器芯片功耗管理方法，该方法包括：
获取目标运算器芯片的实时运行数据；所述实时运行数据用于表示目标运算器芯片的实时运行情况；
采用芯片多模态功耗预测模型，对所述实时运行数据在不同工作模式下的芯片功耗进行预测，以获得适用于目标运算器芯片的目标工作模式；其中，目标工作模式为目标运算器芯片满足实时运行需求时芯片功耗最低的一种工作模式；
动态配置目标运算器芯片的实时运行参数，以使目标运算器芯片达到目标工作模式；
所述芯片多模态功耗预测模型至少包括：特征提取层、实时学习预测层、动态关联网络预测层和预测机制整合层；
所述采用芯片多模态功耗预测模型，对所述实时运行数据在不同工作模式下的芯片功耗进行预测，以获得适用于目标运算器芯片的目标工作模式，包括：
通过特征提取层，从所述实时运行数据中提取目标运算器芯片的实时负载特征以及任务运行需求特征；
通过实时学习预测层，采用实时学习任务网络中不同工作模式下的功耗模型，对实时负载特征以及任务运行需求特征进行学习，以预测得到目标运算器芯片在不同工作模式下的第一功耗预测数据；
通过动态关联网络预测层，基于动态关联网络中各个关联单元之间的动态路由关系，获取目标运算器芯片在不同工作模式下第一功耗预测数据之间的电路空间关系特征以及能耗关联特征；
通过预测机制整合层，根据电路空间关系特征以及能耗关联特征，对目标运算器芯片在不同工作模式下的第一功耗预测数据进行动态优化，以得到优化后的第二功耗预测数据；基于第二功耗预测数据以及动态调整的实时任务需求，选取适用于目标运算器芯片的目标工作模式；
其中，在第二功耗预测数据满足所述实时任务需求的工作模式中，目标工作模式对应的第二功耗预测数据的数值最低。
第二方面，本申请实施例提供了一种计算子系统，该系统包括：
获取单元，被配置为获取目标运算器芯片的实时运行数据；所述实时运行数据用于表示目标运算器芯片的实时运行情况；
预测单元，被配置为采用芯片多模态功耗预测模型，对所述实时运行数据在不同工作模式下的芯片功耗进行预测，以获得适用于目标运算器芯片的目标工作模式；其中，目标工作模式为目标运算器芯片满足实时运行需求时芯片功耗最低的一种工作模式；
动态配置单元，被配置为动态配置目标运算器芯片的实时运行参数，以使目标运算器芯片达到目标工作模式；
所述芯片多模态功耗预测模型至少包括：特征提取层、实时学习预测层、动态关联网络预测层和预测机制整合层；
所述预测单元，采用芯片多模态功耗预测模型，对所述实时运行数据在不同工作模式下的芯片功耗进行预测，以获得适用于目标运算器芯片的目标工作模式，具体被配置为：
通过特征提取层，从所述实时运行数据中提取目标运算器芯片的实时负载特征以及任务运行需求特征；
通过实时学习预测层，采用实时学习任务网络中不同工作模式下的功耗模型，对实时负载特征以及任务运行需求特征进行学习，以预测得到目标运算器芯片在不同工作模式下的第一功耗预测数据；
通过动态关联网络预测层，基于动态关联网络中各个关联单元之间的动态路由关系，获取目标运算器芯片在不同工作模式下第一功耗预测数据之间的电路空间关系特征以及能耗关联特征；
通过预测机制整合层，根据电路空间关系特征以及能耗关联特征，对目标运算器芯片在不同工作模式下的第一功耗预测数据进行动态优化，以得到优化后的第二功耗预测数据；基于第二功耗预测数据以及动态调整的实时任务需求，选取适用于目标运算器芯片的目标工作模式；
其中，在第二功耗预测数据满足所述实时任务需求的工作模式中，目标工作模式对应的第二功耗预测数据的数值最低。
第三方面，本申请实施例提供了一种计算设备，所述计算设备包括：
至少一个处理器、存储器和输入输出单元；
其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行第一方面的运算器芯片功耗管理方法。
第四方面，提供了一种计算机可读存储介质，其包括指令，当其在计算机上运行该指令时，使得计算机执行第一方面的运算器芯片功耗管理方法。
本申请实施例提供的技术方案中，首先，获取目标运算器芯片的实时运行数据。其中，实时运行数据用于表示目标运算器芯片的实时运行情况。进而，采用芯片多模态功耗预测模型，对所述实时运行数据在不同工作模式下的芯片功耗进行预测，以获得适用于目标运算器芯片的目标工作模式。其中，目标工作模式为目标运算器芯片满足实时运行需求时芯片功耗最低的一种工作模式。这样，可以根据实时运行数据和芯片功耗预测结果及时作出调整，确保芯片在不同工作负载下都能保持最佳的功耗表现。最后，动态配置目标运算器芯片的实时运行参数，以使目标运算器芯片达到目标工作模式。从而，在节能的前提下保证芯片仍能满足实时运行需求，这种动态性能调整能够有效平衡功耗和性能之间的关系，提高系统整体性能。这样，定制适用于目标运算器芯片的工作模式，可以有效降低功耗造成的潜在风险，提高系统的稳定运行能力。
本申请技术方案中，通过实时监测目标运算器芯片的实时运行数据，并根据多模态功耗预测模型预测不同工作模式下的功耗情况，动态调整运算器芯片的工作参数，实现了对芯片工作功耗的精准预测和管理。这将使目标运算器芯片在满足实时运行需求的同时，选择功耗最低的工作模式，从而实现节能优化，降低能耗消耗。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请实施例的运算器芯片功耗管理方法的流程示意图；
图2是本申请实施例的一种芯片多模态功耗预测模型的原理示意图；
图3是本申请实施例的一种实时任务需求提取层的原理示意图；
图4是本申请实施例的一种实时学习任务网络的原理示意图；
图5是本申请实施例的一种实时学习层的原理示意图；
图6是本申请实施例的一种动态关联网络预测层的原理示意图；
图7是本申请实施例的一种计算子系统的结构示意图；
图8是本申请实施例的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
目前，为提升各个产业、各个领域的智能化应用普及程度，亟待构建一种智能化计算平台，用以辅助智能超算中心的建设，为科研、产业、城市服务提供人工智能平台的构建基础，进一步通过智能化计算平台实现人才聚集、产业升级、发展。
相关技术中，随着人工智能、深度学习等计算密集型任务的应用不断增加，传统的高能耗设备已经无法满足环境保护的需求。构建低能耗运算器有助于降低设备的功耗，减少整个数据中心的能耗消耗，进而节约能源，减少碳排放，推动绿色可持续发展。此外，在大规模的数据中心和智能计算平台中，能耗是一个重要的支出成本，因而，构建低能耗运算器可以降低设备运行的电费支出，提高设备的运行效率。
因此，在保证计算性能的前提下，如何尽可能降低运算器的功耗、优化能效，实现低能耗与高性能的平衡，是一个亟待解决的技术问题。
为解决上述至少一个技术问题，本申请实施例提供了运算器芯片功耗管理方法、计算子系统以及智能计算平台。
具体而言，运算器芯片功耗管理方案中，首先，获取目标运算器芯片的实时运行数据。其中，实时运行数据用于表示目标运算器芯片的实时运行情况。进而，采用芯片多模态功耗预测模型，对所述实时运行数据在不同工作模式下的芯片功耗进行预测，以获得适用于目标运算器芯片的目标工作模式。其中，目标工作模式为目标运算器芯片满足实时运行需求时芯片功耗最低的一种工作模式。这样，可以根据实时运行数据和芯片功耗预测结果及时作出调整，确保芯片在不同工作负载下都能保持最佳的功耗表现。最后，动态配置目标运算器芯片的实时运行参数，以使目标运算器芯片达到目标工作模式。从而，在节能的前提下保证芯片仍能满足实时运行需求，这种动态性能调整能够有效平衡功耗和性能之间的关系，提高系统整体性能。这样，定制适用于目标运算器芯片的工作模式，可以有效降低功耗造成的潜在风险，提高系统的稳定运行能力。
运算器芯片功耗管理方案中，通过实时监测目标运算器芯片的实时运行数据，并根据多模态功耗预测模型预测不同工作模式下的功耗情况，动态调整运算器芯片的工作参数，实现了对芯片工作功耗的精准预测和管理。这将使目标运算器芯片在满足实时运行需求的同时，选择功耗最低的工作模式，从而实现节能优化，降低能耗消耗。
本申请实施例提供的运算器芯片功耗管理方案，可以由一电子设备来执行，该电子设备可以是服务器、服务器集群、云服务器。该电子设备也可以是诸如手机、计算机、平板电脑、可穿戴设备、或者专用设备（如带有运算器芯片功耗管理系统的专用终端设备等）等终端设备。在一可选实施例中，该电子设备上可以安装有用于执行运算器芯片功耗管理方案的服务程序。
图1为本申请实施例提供的一种运算器芯片功耗管理方法的示意图，如图1所示，该方法包括以下步骤：
101，获取目标运算器芯片的实时运行数据。
本申请实施例中，所述实时运行数据用于表示目标运算器芯片的实时运行情况。举例来说，实时运行数据但不限于以下数据：实时功耗数据、温度数据、工作状态数据、实时性能数据、电压数据、存储状态数据、错误日志数据。
其中，实时功耗数据至少包括芯片当前的功耗消耗情况，如整体功耗、各个功能单元的功耗占比、功耗变化趋势等。温度数据，记录芯片的实时温度情况，包括芯片各个区域的温度分布、温度变化趋势等。工作状态数据，描述芯片当前的工作状态，如运行频率、负载情况、运行模式等。性能数据，包括芯片的实时性能指标，如运算速度、响应时间、数据处理能力等。电压数据，记录芯片的实时电压情况，包括供电电压、各个电源域的电压波动情况等。存储状态数据，描述芯片当前的存储状态，包括缓存情况、内存占用情况等。错误日志数据，记录芯片的运行错误信息和异常情况，包括错误代码、错误类型、错误发生时间等。这些实时运行数据，帮助系统监控芯片的运行状况，分析性能和功耗的关系，识别潜在问题并作出调整，以实现对芯片的动态管理和优化。通过综合分析这些数据信息，系统可以更加智能地调整运行参数，实现对芯片功耗的有效预测和管理。
示例性地，获取目标运算器芯片的实时运行数据，可以通过以下几种方式：方式一，采用安装传感器在目标运算器芯片周围或内部，以便监测功耗、温度、电压等数据，实时采集并传输到监控系统。方式二，使用性能监控工具，如系统监视器、性能分析器等，实时监控目标运算器芯片的工作状态、性能指标等数据。方式三，利用目标运算器芯片本身提供的接口和功能，通过读取芯片状态寄存器、性能计数器等方式获取实时数据。方式四，借助远程监控服务或云端监控平台，通过网络连接实时获取目标运算器芯片的监测数据。方式五，使用调试工具或开发工具，如仿真器、调试器等，可以实时监测目标运算器芯片的状态并记录相关数据。方式六，通过操作系统提供的接口或命令，可以获取目标运算器芯片的实时运行数据，如功耗、温度、负载等信息。实际应用中，通过以上方式可以有效地获取目标运算器芯片的实时运行数据，这些数据是进行功耗管理、性能优化和故障排查的重要依据，有助于整体系统的稳定性和效率提升。
102中，采用芯片多模态功耗预测模型，对实时运行数据在不同工作模式下的芯片功耗进行预测，以获得适用于目标运算器芯片的目标工作模式。其中，目标工作模式为目标运算器芯片满足实时运行需求时芯片功耗最低的一种工作模式。
可以理解的是，工作模式是指目标运算器芯片在不同运行状态下采用的工作配置或策略，以满足特定的性能要求和功耗限制。在芯片多模态功耗预测模型中，根据实时运行数据和预测算法，分析不同工作模式下的功耗表现，并选择出在满足实时运行需求时功耗最低的目标工作模式。例如，以下示例性地工作模式如下：
高性能模式：在这种模式下，芯片工作在最高频率和最大性能状态，以快速执行复杂的任务。但功耗较高，适用于对性能要求较高的场景。
平衡模式：这种模式下芯片工作在较平衡的频率和性能状态，既能保证一定的性能水平，又能降低功耗，是性能和功耗之间的一种平衡选择。
节能模式：在节能模式下，芯片工作在较低的频率和性能状态，以降低功耗为主要目标，适用于对稳定性要求不高，但对节能有要求的场景。
睡眠模式：在这种模式下，芯片基本进入休眠状态，只保留最低功耗的功能，通常用于长时间不工作的情况，以最大程度降低功耗。
动态调节模式：根据实时运行数据和工作负载的变化，在不同时间段或情境下动态调整芯片的工作状态，以平衡性能和功耗的需求。
这样，通过上述步骤选择适合的目标工作模式可以使目标运算器芯片在工作过程中保持高效、稳定且节能，提高系统的性能和可靠性。通过多模态功耗预测模型进行功耗预测和工作模式调整，可以使系统更智能地根据实际情况进行功耗管理，实现最佳的性能和功耗平衡。
作为一个可选实施例，假设芯片多模态功耗预测模型至少包括：特征提取层、实时学习预测层、动态关联网络预测层、预测机制整合层。在芯片多模态功耗预测模型中，包括特征提取层、实时学习预测层、动态关联网络预测层和预测机制整合层，每一层都扮演着特定的角色，共同完成功耗预测任务。具体来说，特征提取层，用于从实时运行数据中提取有意义的特征表示，将原始数据转化为更具信息量的特征向量。通过各种特征提取算法和技术，比如卷积神经网络（CNN）、循环神经网络（RNN）等，对实时运行数据进行特征抽取，捕获数据中的关键模式和特征。实时学习预测层，是用来学习不同模态数据之间的关联性和规律性，从而能够在新的环境下进行快速学习和适应。通过实时学习算法，如模型无关实时学习（Model-Agnostic Meta-Learning，MAML）等，训练模型以适应不同的数据分布，实现针对不同工作模式下的功耗预测。动态关联网络预测层，其中，动态关联网络是一种用于学习特征之间关系的网络结构，有助于更好地捕捉特征之间的空间结构和层级关系。利用动态关联网络结构对特征进行表示和交互，学习特征之间的动态关系和权重分配，以提高功耗预测的准确性和泛化能力。预测机制整合层，用于综合各个子模型的预测结果，进行整体功耗的综合预测和工作模式选择。结合各个子网络的预测结果，采用融合算法（如集成学习、融合模型等），综合考虑不同层面的预测结果，从而得出最终的功耗预测结果和目标工作模式选择。通过这样结构化的芯片多模态功耗预测模型，能够更有效地分析和预测目标运算器芯片在不同工作模式下的功耗表现，帮助实现功耗最低的目标工作模式选择，提高系统的能效性和性能表现。
在一个可选示例中，基于上述结构，102中，采用芯片多模态功耗预测模型，对所述实时运行数据在不同工作模式下的芯片功耗进行预测，以获得适用于目标运算器芯片的目标工作模式，如图2所示，可以实现为如下步骤：
201，通过特征提取层，从所述实时运行数据中提取目标运算器芯片的实时负载特征以及任务运行需求特征。
具体而言，在步骤201中的实时负载特征提取过程，可以采用时域特征提取方式，通过对时间序列数据进行分析，提取统计特征如均值、方差、峰峰值等，反映负载的波动情况。也可以采用频域特征提取方式，通过傅立叶变换等频谱分析方法，获取负载在不同频率下的特征信息，揭示不同频率成分对功耗的影响。还可以采用小波变换方式，利用小波变换可以获得局部特征，帮助捕捉数据中的瞬时变化和频率特征。再例如，任务运行需求特征提取过程，可以采用任务类型识别方式，通过机器学习算法对任务进行分类，提取任务类型特征，以了解不同任务对功耗的影响。也可以采用工作负载特征方式，提取任务的计算密集度、内存需求、I/O操作等特征，反映任务对芯片资源的需求情况。还可以采用动态变化检测方式，识别任务的动态变化模式，如任务的持续时间、周期性变化等特征，以应对功耗预测中的动态变化。
近一步可选地，还可以采用维度约简方式优化特征提取过程，即使用特征选择方法（如方差阈值、相关性分析、PCA等）对提取的特征进行筛选，去除冗余信息和噪声。或者，采用特征融合过程，将不同类型的特征进行融合，形成更全面的特征表示，以提高对功耗的准确预测。
通过以上特征提取方式，可以有效地从实时运行数据中提取目标运算器芯片的实时负载特征和任务运行需求特征，为后续的功耗预测和工作模式选择提供有意义和有效的特征表示。
202，通过实时学习预测层，采用实时学习任务网络中不同工作模式下的功耗模型，对实时负载特征以及任务运行需求特征进行学习，以预测得到目标运算器芯片在不同工作模式下的第一功耗预测数据。
在这一步骤中，实时学习任务网络会学习实时负载特征和任务运行需求特征在不同工作模式下的功耗模型。举例而言，对于一个计算密集型任务需求和一个内存密集型任务需求，实时学习预测层会根据它们的特征学习出在不同工作模式下的功耗模型，从而预测目标运算器芯片在这些模式下的第一功耗预测数据。
示例性地，假设有一个实时学习任务网络，用于学习计算密集型任务和内存密集型任务在不同工作模式下的功耗模型，以预测目标运算器芯片在这些模式下的第一功耗预测数据。对于计算密集型任务需求，系统可能会考虑诸如大规模矩阵乘法、卷积神经网络训练等任务。这些任务通常会导致处理器、内存和其他组件的高负载，进而产生较高的功耗。对于内存密集型任务需求，系统可能会涉及大规模数据的读写、缓存访问等操作。这样的任务通常会对内存、缓存系统以及总线等部件造成较大负荷，导致功耗波动。
在实时学习预测层的学习过程中，会提供大量不同工作模式下的数据样本，包括计算密集型和内存密集型任务的特征信息以及对应的功耗数据。网络会通过这些数据学习出在不同工作模式下的功耗模型。经过训练后，实时学习任务网络会得出计算密集型任务和内存密集型任务在不同工作模式下的功耗模型。这些模型可以用来预测目标运算器芯片在特定任务需求下的功耗表现，例如在高负载计算任务时的功耗水平和在大规模数据访问任务时的功耗情况。通过这样的学习和预测过程，可以更准确地估计不同工作模式下的功耗情况，有助于优化功耗管理策略、提高能效并满足不同任务需求下的性能要求。这样的方法可以在实际应用中帮助提升系统的能效和性能表现。
203，通过动态关联网络预测层，基于动态关联网络中各个关联单元之间的动态路由关系，获取目标运算器芯片在不同工作模式下第一功耗预测数据之间的电路空间关系特征以及能耗关联特征。
在这一步骤中，动态关联网络会通过动态路由关系获取不同工作模式下第一功耗预测数据之间的电路空间关系特征和能耗关联特征。举例来说，动态关联网络会识别出在某一工作模式下，某些特定的电路单元之间存在特定的关系，并根据这些关系推断出能耗情况。
实际应用中，动态路由关系指的是动态关联网络中各个关联单元之间的动态连接方式，其中通过学习获得的路由信息用于确定不同层级之间的有效关联。下面将通过一个简单的例子来说明动态路由关系：
在一个动态关联网络中，假设存在两个关联单元，一个是“特征检测关联单元”，另一个是“特征组合关联单元”。这两个关联单元之间的动态路由关系会决定“特征检测关联单元”中提取的特征如何传递给“特征组合关联单元”进行进一步组合。动态路由关系的学习过程可以总结为以下几个步骤：
首先，特征检测关联单元会从输入数据中提取特征，并将这些特征编码成关联向量。在路由过程中，动态关联网络会动态学习路由权重，以确定将特征向量从特征检测关联单元传递到特征组合关联单元的途径和强度。接着，根据学习到的路由权重，特征检测关联单元中的特征向量将按照动态路由关系传递给特征组合关联单元，用于特征之间的有效组合。最后，在特征组合关联单元中，根据接收到的特征向量和路由关系，进行特征的动态组合和表征，以生成最终的输出。
通过动态路由关系的学习，动态关联网络可以在不同任务和场景下灵活调整特征之间的连接方式，以实现更有效的特征表征和学习。这种机制可以提高网络的适应性和泛化能力，同时也有助于捕捉特征之间的复杂关系，从而提升模型的性能和效果。
204，通过预测机制整合层，根据电路空间关系特征以及能耗关联特征，对目标运算器芯片在不同工作模式下的第一功耗预测数据进行动态优化，以得到优化后的第二功耗预测数据。
举例来说，如果在某一工作模式下某些电路单元之间的关系表明存在能效优化空间，预测机制整合层会调整相应参数，以降低功耗。
当预测机制整合层发现在某一工作模式下某些电路单元之间的关系表明存在能效优化空间时，可以通过调整相应的参数来降低功耗。预测机制整合层，通过分析动态关联网络或其他模型得到的信息，发现在当前工作模式下，某些电路单元之间的关系表明存在能效优化的可能性。这可能表现为某些电路单元共同操作时的功耗较高，或者存在某种冗余操作导致功耗浪费。
一旦确定存在能效优化的空间，预测机制整合层会对相应的参数进行调整。这可能涉及到调整电路单元之间的连接方式、设定不同功能块的工作频率、优化供电电压等操作。通过调整这些参数，系统可以更有效地管理功耗，实现能效优化。在调整参数之后，预测机制整合层可能会使用模拟工具或者实际设备进行功耗模拟和验证，以评估调整参数对功耗的影响。通过模拟和验证，系统可以验证参数调整的效果，确保功耗真正降低，并且不影响系统的性能和稳定性。在运行过程中，预测机制整合层可以实时监测各个电路单元的功耗情况，并根据实时数据反馈调整参数。这种动态调整能够确保系统在不同工作负载下始终保持高效的功耗管理，以提升系统的能效表现。
通过以上步骤的操作，预测机制整合层可以根据发现的能效优化空间，调整相应的参数来降低功耗，从而提升系统的能效性能，并在满足任务需求的前提下实现更好的功耗管理效果。
205，通过预测机制整合层，基于第二功耗预测数据以及动态调整的实时任务需求，选取适用于目标运算器芯片的目标工作模式。
举例来说，如果经过优化后的功耗预测数据表明某一工作模式在满足实时任务需求的同时功耗最低，就会选取该工作模式。
当经过优化后的功耗预测数据表明某一工作模式在满足实时任务需求的同时功耗最低时，系统会选择该工作模式。经过预测机制整合层的参数调整以及功耗模拟和验证后，系统得到了经过优化的功耗预测数据。这些数据明确指出，在不同工作模式下，某一特定工作模式在满足实时任务需求的同时功耗最低。基于优化后的功耗预测结果，系统会选取功耗最低并且能够满足实时任务需求的工作模式。这意味着系统将在这种工作模式下工作，以确保在保持性能的前提下获得最佳的能效表现。选取功耗最低的工作模式并不是以牺牲性能为代价，而是在满足实时任务需求的基础上达到最佳的功耗效率。因此，系统可以在这种工作模式下实时处理任务，并尽可能地降低功耗。选取功耗最低的工作模式只是一个阶段，系统可以持续优化参数和监测功耗表现，以确保系统在不同任务需求下始终保持高效的功耗管理。实时监测和调整是确保系统持续优化的关键。通过选择功耗最低且能够满足实时任务需求的工作模式，系统可以在实际应用中实现最佳的能效表现。这种方法可以帮助系统在不同工作负载下平衡性能和功耗，从而提升系统整体的能效性能。
本申请实施例中，在第二功耗预测数据满足所述实时任务需求的工作模式中，目标工作模式对应的第二功耗预测数据的数值最低。也即，在满足实时任务需求的工作模式中，选取第二功耗预测数据数值最低的工作模式作为目标工作模式。这表明在满足实时任务需求的前提下，该工作模式具有最低的功耗，可能是最为节能有效的选择。
在这个实施例中，芯片多模态功耗预测模型中，结合特征提取层、实时学习预测层、动态关联网络预测层和预测机制整合层，以确定适用于目标运算器芯片的目标工作模式。通过这个实施例的步骤，结合特征提取、实时学习、动态关联网络和预测机制整合，能够实现针对目标运算器芯片的功耗预测和工作模式选择，以提高系统的性能效率和能耗管理水平。这样可以确保在满足性能需求的前提下，选择功耗最低的工作模式，提高能效性。
进一步可选地，假设芯片多模态功耗预测模型还包括：实时任务需求提取层。基于上述假设，在通过特征提取层，从所述实时运行数据中提取目标运算器芯片的实时负载特征以及任务运行需求特征之后，如图3所示，还可以执行如下步骤：
301，通过实时任务需求提取层，基于实时负载特征以及任务运行需求特征，获取待执行的实时任务需求；
302，基于实时任务需求中各个实时任务的复杂程度以及重要性，动态配置各个实时任务对应的需求权重系数；
303，基于各个实时任务对应的需求权重系数、以及各个实时任务对应的历史平均功耗，计算目标运算器芯片的实时任务功耗参考值，作为所述实时任务需求。
具体来说，步骤301中，通过实时任务需求提取层，基于实时负载特征和任务运行需求特征，获取待执行的实时任务需求。这些任务需求可以包括计算密集型任务、内存密集型任务、I/O 操作任务等，在实时任务中具有不同的需求特征。步骤302中，基于实时任务需求中各个实时任务的复杂程度和重要性，动态配置各个实时任务对应的需求权重系数。这些权重系数可以反映不同任务对功耗的影响程度，以便更合理地分配资源和优化功耗管理。步骤303中，结合各个实时任务对应的需求权重系数和历史平均功耗信息，计算目标运算器芯片的实时任务功耗参考值。这个功耗参考值可以作为实时任务需求的依据，帮助系统动态调整资源分配和功耗控制策略。
通过执行上述步骤，可以更加智能地处理实时任务需求，根据任务复杂度和重要性动态配置任务权重系数，并计算出实时任务功耗参考值，以实现更有效的功耗管理和资源分配。这种方法有助于提高芯片功耗预测的准确性和系统能效，提升系统性能和用户体验。
103中，动态配置目标运算器芯片的实时运行参数，以使目标运算器芯片达到目标工作模式。
具体而言，在102中确定的目标工作模式，可能是功耗最低、性能最佳或者在满足特定任务需求的情况下兼顾功耗和性能的工作模式。基于此，在103中，根据监测到的目标运算器芯片状态和目标工作模式，动态调整运行参数。这些参数可以包括处理器频率、电压供应、功耗模式、核心任务分配等。通过调整这些实时运行参数，系统可以实现对目标工作模式的动态配置。
进一步可选地，对于动态配置的参数调整，系统还需要实时进行反馈和调整。这意味着系统会不断监测芯片状态和性能表现，并根据实时数据调整参数，以保持目标工作模式的稳定性和效能。在动态配置过程中，系统会实时评估目标运算器芯片的功耗和性能表现。通过对功耗和性能的评估，系统可以验证动态配置的有效性，并在需要时进行进一步优化。
通过以上步骤的操作，可以动态配置目标运算器芯片的实时运行参数，使其达到目标工作模式，并在实际应用中实现高效的能效管理和性能优化。这种动态配置方法可以帮助系统根据实际运行情况实现智能的调整，提升系统的整体性能和能效表现。
本申请实施例中，通过实时监测目标运算器芯片的实时运行数据，并根据多模态功耗预测模型预测不同工作模式下的功耗情况，动态调整运算器芯片的工作参数，实现了对芯片工作功耗的精准预测和管理。这将使目标运算器芯片在满足实时运行需求的同时，选择功耗最低的工作模式，从而实现节能优化，降低能耗消耗。
在上述或下述实施例中，假设实时学习预测层至少包括：实时学习任务网络。假设所述实时学习任务网络至少包括：多任务特征提取层、实时学习层、优化层。
示例性地，下面将对每一部分进行介绍，多任务特征提取层，负责提取各个任务的特征，可以是实时负载特征和任务运行需求特征等。这些特征可以反映任务的实时情况和需求，为后续的实时学习和优化提供数据基础。实时学习层，是实时学习任务网络的核心部分，负责利用多任务特征提取层提取的特征数据进行元计算，以获得目标运算器芯片在不同工作模式下的第一功耗预测数据。通过实时学习，系统可以根据任务特征和需求进行功耗预测和优化，提高系统的能效性能。优化层，负责对实时学习层得到的第一功耗预测数据进行偏差拟合校正，以获得优化后的第一功耗预测数据。通过预设的优化机制，系统可以对功耗数据进行优化，提高功耗预测的准确性和效果，从而更好地实现功耗管理和能效优化的目标。
通过以上描述，实时学习任务网络中的多任务特征提取层、实时学习层和优化层相互配合，可以实现对任务特征的提取、功耗预测的元计算和优化的过程。这种结构可以帮助系统更智能地根据任务需求调整目标运算器芯片的工作模式，提高系统的能效性能和功耗管理效果。
基于上述假设，步骤202中，通过实时学习预测层，采用实时学习任务网络中不同工作模式下的功耗模型，对实时负载特征以及任务运行需求特征进行学习，以预测得到目标运算器芯片在不同工作模式下的第一功耗预测数据，如图4所示，包括以下步骤：
401，通过多任务特征提取层，获取实时负载特征以及任务运行需求特征，并分配至不同工作模式对应的任务提取分支；
402，通过各个任务提取分支，从实时负载特征以及任务运行需求特征中提取对应的实时任务运行特征；所述实时任务运行特征至少包括：处理器实时负载信息、内存占用信息、频率设置信息；
403，通过实时学习层，对各个任务提取分支中提取的实时任务运行特征进行元计算，以获得目标运算器芯片在不同工作模式下的第一功耗预测数据；
404，通过优化层，采用预设优化机制对第一功耗预测数据进行偏差拟合校正，以得到优化后的第一功耗预测数据。
通过步骤401至404，可以根据实时负载特征和任务需求特征，动态调整目标运算器芯片的工作模式，实现能效优化和功耗管理。下面通过一个示例来介绍这些步骤的有益效果：
假设在一个智能手机系统的运算器芯片中，用户同时进行着多个任务，包括播放视频、浏览网页和进行实时通讯。需要根据这些任务的不同特征和实时需求，动态调整处理器的工作模式，以保证在满足用户需求的同时最大限度地降低功耗。
步骤401中，多任务特征提取层，通过实时监测各个任务的负载特征和运行需求特征，例如，视频播放的处理器负载较高、网页浏览的内存占用较大、实时通讯对频率设置有较高要求等。根据这些特征，系统将任务分配至不同工作模式对应的任务提取分支。
步骤402中，在各个任务提取分支中，从实时负载特征和任务需求特征中提取对应的实时任务运行特征，包括处理器实时负载信息、内存占用信息、频率设置信息等。这些特征将用于后续的实时学习和功耗预测。
步骤403中，实时学习层，对各个任务提取分支中提取的实时任务运行特征进行元计算，以得到目标运算器芯片在不同工作模式下的第一功耗预测数据。通过这样的元计算，系统可以根据实时任务特征预测出各种工作模式下的功耗情况。
步骤404中，优化层，采用预设优化机制对第一功耗预测数据进行偏差拟合校正，以得到优化后的第一功耗预测数据。在这个示例中，系统可以根据任务的实时特征和需求，对功耗预测数据进行优化，以更准确地预测不同工作模式下的功耗情况，从而实现更有效的功耗管理和能效优化。
综合以上步骤，可以根据任务的实时特征和需求，动态调整目标运算器芯片的工作模式，实现更有效的功耗预测和优化，从而提升系统的能效性能和用户体验。这种智能的功耗管理方法可以使系统更智能地适应不同任务需求，提高能效性能和续航时间。
作为一个可选实施例，所述通过实时学习层，对各个任务提取分支中提取的实时任务运行特征进行元计算，以获得目标运算器芯片在不同工作模式下的第一功耗预测数据，如图5所示，进一步包括以下步骤：
501，在实时学习层中，设置各个工作模式下的初始化元参数；各个初始化元参数依据对应的功耗模型确定；
502，基于所述实时任务运行特征，设定各个工作模式下的功耗模型任务；
503，基于各个工作模式下的初始化元参数，迭代计算各个工作模式下的功耗模型任务所驱动的功耗模型参数，以使功耗模型参数达到功耗模型任务中设定的目标任务需求；
504，当功耗模型参数达到功耗模型任务中设定的目标任务需求时，基于当前功耗模型参数，计算当前工作模式下的第一功耗预测数据。
步骤501至504的有益效果可以通过以下示例来说明：
假设一个智能手机系统的运算器芯片，需要根据不同的应用场景和任务需求来优化功耗管理，以提高系统的能效性能和续航时间。通过实时学习层中的步骤501至504，可以更智能地预测和计算目标运算器芯片在不同工作模式下的功耗情况，实现更有效的功耗控制和管理。
步骤501中，设置初始化元参数。在实时学习层中，根据各个工作模式下的功耗模型，设置初始化元参数。这些初始化元参数可以是对应于不同工作模式下的功耗特征和模型参数，用于后续的功耗模型任务计算。
步骤502中，设定功耗模型任务。基于实时任务运行特征，设定各个工作模式下的功耗模型任务。这些任务可以反映不同工作模式下的功耗需求和目标，为后续的参数迭代计算提供指导方向。
步骤503中，迭代计算功耗模型参数。根据各个工作模式下的初始化元参数和设定的功耗模型任务，迭代计算各个工作模式下的功耗模型任务所驱动的功耗模型参数。通过不断优化这些参数，系统可以使功耗模型参数达到功耗模型任务中设定的目标任务需求，实现更准确的功耗预测和管理。
步骤504中，计算第一功耗预测数据。当功耗模型参数达到功耗模型任务中设定的目标任务需求时，基于当前功耗模型参数，计算当前工作模式下的第一功耗预测数据。这些数据可以用来指导系统在不同工作模式下的功耗控制和优化，提高系统的能效性能。
通过以上步骤，可以根据实时任务特征和功耗需求，智能地预测和计算不同工作模式下的功耗情况，实现更有效的功耗管理和优化。这种方法可以帮助系统更快速地适应不同任务需求，提高系统的能效性能和用户体验。
上述实施例中，迭代计算过程表示为如下公式：
；
其中，表示第i个工作模式下第t+1次迭代后得到的功耗模型参数，/>表示第i个工作模式下第t次迭代后得到的功耗模型参数，/>是学习率，所述学习率用于控制参数更新的步长，/>表示损失函数，所述损失函数用于衡量功耗模型参数/>与目标任务需求之间的偏差，/>是损失函数关于功耗模型参数/>的梯度。
进一步可选地，实时学习预测层还包括：实时学习器。值得说明的是，实时学习器是一种机器学习算法，用于快速学习和适应新任务或环境，通常用于实时学习（meta-learning）任务中。在这个情境下，实时学习器可以帮助系统从历史运行数据和历史芯片功耗数据中学习不同工作模式下的功耗模型，从而更有效地进行功耗预测和优化。
其中，不同工作模式下的功耗模型是由实时学习器从历史运行数据以及历史芯片功耗数据中学习得到的。具体来说，首先，需要准备历史运行数据和历史芯片功耗数据，这些数据应该包括不同工作模式下的任务特征、功耗情况以及其他相关信息，以供实时学习器进行学习和预测。其次，实时学习器通过历史数据集进行训练，学习各个工作模式下的功耗模型。在训练过程中，实时学习器会尝试理解不同任务特征和功耗数据之间的关系，从而建立一个能够准确预测不同工作模式下功耗的模型。再次，在推断阶段，实时学习器可以根据当前的实时任务特征和芯片功耗数据，利用所学到的模型进行预测和优化。通过实时学习器的预测，系统可以更加准确地评估不同工作模式下的功耗情况，并做出相应的调整和优化。最后，实时学习器具有持续学习能力，可以根据实时反馈数据不断调整和优化功耗模型。通过不断地更新和调整学习结果，实时学习器可以逐渐提高功耗预测的准确性和系统的能效性能。
通过实时学习器的使用，可以从历史数据中快速学习不同工作模式下的功耗模型，实现针对性的功耗预测和优化，提高系统的能效性能和功耗管理效果。
实际应用中，在一示例中，假设实时学习器的参数集合为，通过如下损失函数优化参数集合/>，该损失函数用于衡量不同工作模式下的预测误差累计值，则用于优化各个功耗模型的损失函数/>表示为如下公式：
；
其中，i表示不同工作模式的索引，j表示对应工作模式下的样本索引，表示第i个工作模式下第j个样本的历史运行数据，/>表示第i个工作模式下第j个样本的历史芯片功耗数据，/>表示参数/>为实时学习器，所述实时学习器用于学习从历史运行数据到功耗数据之间的映射函数。
进一步可选地，优化目标是找到最优参数，使得损失函数/>达到最小值。优化过程表示为如下公式：/>；
通过优化这个损失函数，实时学习器可以从历史数据中学习到不同工作模式下的功耗模型，并能够用于预测新工作模式下的芯片功耗表现。这样的实时学习框架可以提高系统对不同工作模式下功耗特性的建模能力，从而帮助实现更有效的功耗管理和优化。
在上述或下述实施例中，假设动态关联网络预测层至少包括：动态关联网络。假设动态关联网络中包括多个关联单元，动态关联网络中每一关联单元对应于一种工作模式。
基于上述假设，步骤204中，通过动态关联网络预测层，基于动态关联网络中各个关联单元之间的动态路由关系，获取目标运算器芯片在不同工作模式下第一功耗预测数据之间的电路空间关系特征以及能耗关联特征，如图6所示，包括以下步骤：
601，获取目标运算器芯片所处电路中的电路空间结构；
602，基于所述电路空间结构以及所述动态路由关系，选取目标运算器芯片在不同工作模式下应用到的电路结构单元组成的空间结构分支；
603，通过各个关联单元，将各个工作模式下的第一功耗预测数据分配至所选的空间结构分支，并驱动各个空间结构分支中的特征提取模块，从第一功耗预测数据中提取对应的电路空间关系特征；
604，通过各个关联单元，基于所述动态路由关系对不同工作模式对应的第一功耗预测数据之间进行特征横向预测，以获得第一功耗预测数据之间的能耗关联特征。
步骤601至604的有益效果可以通过以下示例来说明：
假设一款移动设备芯片，需要根据不同工作模式下的功耗预测数据来优化电路的布局与连接，以实现更高效的能耗管理和性能优化。通过动态关联网络预测层中的步骤601至604，可以更智能地分析目标运算器芯片在不同工作模式下的电路空间关系特征和能耗关联特征，从而实现更精准的功耗预测和优化。
步骤601中，获取电路空间结构。首先，系统根据目标运算器芯片所处电路中的电路空间结构，获取不同电路单元的布局和连接方式。这可以帮助系统理解芯片内部电路的物理结构，为后续的特征提取和能耗预测提供基础数据。
步骤602中，选取空间结构分支。基于电路空间结构和动态路由关系，系统选择目标运算器芯片在不同工作模式下应用到的电路结构单元，形成空间结构分支。这些分支可以反映不同工作模式下的电路连接方式，为后续特征提取和能耗关联分析提供指导。
步骤603中，提取电路空间关系特征。通过关联单元将各个工作模式下的第一功耗预测数据分配至选定的空间结构分支，并驱动特征提取模块，从中提取对应的电路空间关系特征。这些特征可以帮助系统理解不同工作模式下的电路布局特点和连接关系，为能耗关联特征的分析提供数据支持。
步骤604中，特征横向预测。通过关联单元，基于动态路由关系对不同工作模式对应的第一功耗预测数据之间进行特征横向预测，以获得能耗关联特征。这些特征可以反映不同工作模式下的能耗关系和相互影响，为系统优化电路布局和连接提供参考依据，实现更有效的能耗管理和优化。
通过以上步骤，可以根据电路空间关系特征和能耗关联特征，智能地分析不同工作模式下的功耗情况，为电路设计和布局优化提供更准确的指导和决策支持，提高系统的能效性能和功耗管理效果。
在本申请的又一实施例中，还提供了一种计算子系统，参见图7所示，该计算子系统包括以下单元：
获取单元，被配置为获取目标运算器芯片的实时运行数据；所述实时运行数据用于表示目标运算器芯片的实时运行情况；
预测单元，被配置为采用芯片多模态功耗预测模型，对所述实时运行数据在不同工作模式下的芯片功耗进行预测，以获得适用于目标运算器芯片的目标工作模式；其中，目标工作模式为目标运算器芯片满足实时运行需求时芯片功耗最低的一种工作模式；
动态配置单元，被配置为动态配置目标运算器芯片的实时运行参数，以使目标运算器芯片达到目标工作模式。
进一步可选地，所述芯片多模态功耗预测模型至少包括：特征提取层、实时学习预测层、动态关联网络预测层、预测机制整合层；
所述预测单元，采用芯片多模态功耗预测模型，对所述实时运行数据在不同工作模式下的芯片功耗进行预测，以获得适用于目标运算器芯片的目标工作模式，具体被配置为：
通过特征提取层，从所述实时运行数据中提取目标运算器芯片的实时负载特征以及任务运行需求特征；
通过实时学习预测层，采用实时学习任务网络中不同工作模式下的功耗模型，对实时负载特征以及任务运行需求特征进行学习，以预测得到目标运算器芯片在不同工作模式下的第一功耗预测数据；
通过动态关联网络预测层，基于动态关联网络中各个关联单元之间的动态路由关系，获取目标运算器芯片在不同工作模式下第一功耗预测数据之间的电路空间关系特征以及能耗关联特征；
通过预测机制整合层，根据电路空间关系特征以及能耗关联特征，对目标运算器芯片在不同工作模式下的第一功耗预测数据进行动态优化，以得到优化后的第二功耗预测数据；基于第二功耗预测数据以及动态调整的实时任务需求，选取适用于目标运算器芯片的目标工作模式；
其中，在第二功耗预测数据满足所述实时任务需求的工作模式中，目标工作模式对应的第二功耗预测数据的数值最低。
进一步可选地，所述芯片多模态功耗预测模型还包括：实时任务需求提取层；
所述预测单元，还被配置为：在通过特征提取层，从所述实时运行数据中提取目标运算器芯片的实时负载特征以及任务运行需求特征之后，通过实时任务需求提取层，基于实时负载特征以及任务运行需求特征，获取待执行的实时任务需求；
基于实时任务需求中各个实时任务的复杂程度以及重要性，动态配置各个实时任务对应的需求权重系数；
基于各个实时任务对应的需求权重系数、以及各个实时任务对应的历史平均功耗，计算目标运算器芯片的实时任务功耗参考值，作为所述实时任务需求。
进一步可选地，实时学习预测层至少包括：实时学习任务网络；所述实时学习任务网络至少包括：多任务特征提取层、实时学习层、优化层；
所述预测单元，通过实时学习预测层，采用实时学习任务网络中不同工作模式下的功耗模型，对实时负载特征以及任务运行需求特征进行学习，以预测得到目标运算器芯片在不同工作模式下的第一功耗预测数据，具体被配置为：
通过多任务特征提取层，获取实时负载特征以及任务运行需求特征，并分配至不同工作模式对应的任务提取分支；通过各个任务提取分支，从实时负载特征以及任务运行需求特征中提取对应的实时任务运行特征；所述实时任务运行特征至少包括：处理器实时负载信息、内存占用信息、频率设置信息；
通过实时学习层，对各个任务提取分支中提取的实时任务运行特征进行元计算，以获得目标运算器芯片在不同工作模式下的第一功耗预测数据；
通过优化层，采用预设优化机制对第一功耗预测数据进行偏差拟合校正，以得到优化后的第一功耗预测数据。
进一步可选地，所述预测单元，通过实时学习层，对各个任务提取分支中提取的实时任务运行特征进行元计算，以获得目标运算器芯片在不同工作模式下的第一功耗预测数据，具体被配置为：
在实时学习层中，设置各个工作模式下的初始化元参数；各个初始化元参数依据对应的功耗模型确定；
基于所述实时任务运行特征，设定各个工作模式下的功耗模型任务；
基于各个工作模式下的初始化元参数，迭代计算各个工作模式下的功耗模型任务所驱动的功耗模型参数，以使功耗模型参数达到功耗模型任务中设定的目标任务需求；
当功耗模型参数达到功耗模型任务中设定的目标任务需求时，基于当前功耗模型参数，计算当前工作模式下的第一功耗预测数据。
其中，进一步可选地，迭代计算过程表示为如下公式：
；
其中，表示第i个工作模式下第t+1次迭代后得到的功耗模型参数，/>表示第i个工作模式下第t次迭代后得到的功耗模型参数，/>是学习率，所述学习率用于控制参数更新的步长，/>表示损失函数，所述损失函数用于衡量功耗模型参数/>与目标任务需求之间的偏差，/>是损失函数关于功耗模型参数/>的梯度。
其中，进一步可选地，实时学习预测层还包括：实时学习器；
其中，不同工作模式下的功耗模型是由实时学习器从历史运行数据以及历史芯片功耗数据中学习得到的；
若实时学习器的参数集合为实时学习器的参数集合为，通过如下损失函数优化参数集合/>，该损失函数用于衡量不同工作模式下的预测误差累计值，则用于优化各个功耗模型的损失函数/>表示为如下公式：
；
其中，i表示不同工作模式的索引，j表示对应工作模式下的样本索引，表示第i个工作模式下第j个样本的历史运行数据，/>表示第i个工作模式下第j个样本的历史芯片功耗数据，/>表示参数/>为实时学习器，所述实时学习器用于学习从历史运行数据到功耗数据之间的映射函数。
进一步可选地，所述动态关联网络预测层至少包括：动态关联网络；
动态关联网络中包括多个关联单元，动态关联网络中每一关联单元对应于一种工作模式；
所述预测单元，通过动态关联网络预测层，基于动态关联网络中各个关联单元之间的动态路由关系，获取目标运算器芯片在不同工作模式下第一功耗预测数据之间的电路空间关系特征以及能耗关联特征，具体被配置为：
获取目标运算器芯片所处电路中的电路空间结构；
基于所述电路空间结构以及所述动态路由关系，选取目标运算器芯片在不同工作模式下应用到的电路结构单元组成的空间结构分支；
通过各个关联单元，将各个工作模式下的第一功耗预测数据分配至所选的空间结构分支，并驱动各个空间结构分支中的特征提取模块，从第一功耗预测数据中提取对应的电路空间关系特征；
通过各个关联单元，基于所述动态路由关系对不同工作模式对应的第一功耗预测数据之间进行特征横向预测，以获得第一功耗预测数据之间的能耗关联特征。
本申请实施例中，通过实时监测目标运算器芯片的实时运行数据，并根据多模态功耗预测模型预测不同工作模式下的功耗情况，动态调整运算器芯片的工作参数，实现了对芯片工作功耗的精准预测和管理。这将使目标运算器芯片在满足实时运行需求的同时，选择功耗最低的工作模式，从而实现节能优化，降低能耗消耗。
在本申请的又一实施例中，还提供一种智能计算平台，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现方法实施例所述的运算器芯片功耗管理方法。
上述电子设备提到的通信总线1140可以是外设部件互连标准（PeripheralComponent Interconnect，PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，EISA）总线等。该通信总线1140可以分为地址总线、数据总线、控制总线等。
示例性地，假设需要建立一个基于神经元网络专用芯片的大规模、自主可控的智能计算平台，用于为研发和建设智能计算平台提供硬件基础。同时，智能计算平台也可以为智能超算中心建设提供硬件基础，通过该中心的构建可以为科研、产业、城市服务的人工智能平台，集聚人才、发展产业。
具体来说，智能计算平台主要包括：智能硬件平台、智能计算云操作系统、应用环境开发、大数据平台、智能应用PaaS平台这五个部分。在智能硬件平台中，以智能计算理论为基础，可以将深度学习芯片、AI智能加速卡及分布式服务器集成为智能硬件平台，从而为整个超算平台以及相关衍生平台提供基础硬件支撑，其主要内容包含以下四个部分：智能计算子系统、网络交换子系统、数据存储子系统及支撑管理子系统。
进一步可选地，智能计算子系统是承担计算的硬件模块，主要从构建低能耗运算器、稀疏化访存DMA（Direct Memory Access，直接存储器访问）、深度学习处理器cache结构、深度学习存储一致性、人工智能处理器卡设计、装载智能处理卡的专用服务器。
本申请实施例提供了用于构建低能耗运算器的运算器芯片功耗管理方法。
为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口1120用于上述电子设备与其他设备之间的通信。
存储器1130可以包括随机存取存储器（Random Access Memory，RAM），也可以包括非易失性存储器（non-volatil ememory），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器1110可以是通用处理器，包括中央处理器（Central Pro-
cessing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital Signal Processing，DSP）、专用集成电路(ApplicationSpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被执行时能够实现上述方法实施例中可由电子设备执行的各步骤。

Claims (5)

1.一种运算器芯片功耗管理方法，其特征在于，包括：
获取目标运算器芯片的实时运行数据；所述实时运行数据用于表示目标运算器芯片的实时运行情况；
采用芯片多模态功耗预测模型，对所述实时运行数据在不同工作模式下的芯片功耗进行预测，以获得适用于目标运算器芯片的目标工作模式；其中，目标工作模式为目标运算器芯片满足实时运行需求时芯片功耗最低的一种工作模式；
动态配置目标运算器芯片的实时运行参数，以使目标运算器芯片达到目标工作模式；
所述芯片多模态功耗预测模型至少包括：特征提取层、实时学习预测层、动态关联网络预测层和预测机制整合层；
所述采用芯片多模态功耗预测模型，对所述实时运行数据在不同工作模式下的芯片功耗进行预测，以获得适用于目标运算器芯片的目标工作模式，包括：
通过特征提取层，从所述实时运行数据中提取目标运算器芯片的实时负载特征以及任务运行需求特征；
通过实时学习预测层，采用实时学习任务网络中不同工作模式下的功耗模型，对实时负载特征以及任务运行需求特征进行学习，以预测得到目标运算器芯片在不同工作模式下的第一功耗预测数据；
通过动态关联网络预测层，基于动态关联网络中各个关联单元之间的动态路由关系，获取目标运算器芯片在不同工作模式下第一功耗预测数据之间的电路空间关系特征以及能耗关联特征；
通过预测机制整合层，根据电路空间关系特征以及能耗关联特征，对目标运算器芯片在不同工作模式下的第一功耗预测数据进行动态优化，以得到优化后的第二功耗预测数据；基于第二功耗预测数据以及动态调整的实时任务需求，选取适用于目标运算器芯片的目标工作模式；
其中，在第二功耗预测数据满足所述实时任务需求的工作模式中，目标工作模式对应的第二功耗预测数据的数值最低；
实时学习预测层至少包括：实时学习任务网络；所述实时学习任务网络至少包括：多任务特征提取层、实时学习层和优化层；
所述通过实时学习预测层，采用实时学习任务网络中不同工作模式下的功耗模型，对实时负载特征以及任务运行需求特征进行学习，以预测得到目标运算器芯片在不同工作模式下的第一功耗预测数据，包括：
通过多任务特征提取层，获取实时负载特征以及任务运行需求特征，并分配至不同工作模式对应的任务提取分支；通过各个任务提取分支，从实时负载特征以及任务运行需求特征中提取对应的实时任务运行特征；所述实时任务运行特征至少包括：处理器实时负载信息、内存占用信息和频率设置信息；
通过实时学习层，对各个任务提取分支中提取的实时任务运行特征进行元计算，以获得目标运算器芯片在不同工作模式下的第一功耗预测数据；
通过优化层，采用预设优化机制对第一功耗预测数据进行偏差拟合校正，以得到优化后的第一功耗预测数据；
所述通过实时学习层，对各个任务提取分支中提取的实时任务运行特征进行元计算，以获得目标运算器芯片在不同工作模式下的第一功耗预测数据，包括：
在实时学习层中，设置各个工作模式下的初始化元参数；各个初始化元参数依据对应的功耗模型确定；
基于所述实时任务运行特征，设定各个工作模式下的功耗模型任务；
基于各个工作模式下的初始化元参数，迭代计算各个工作模式下的功耗模型任务所驱动的功耗模型参数，以使功耗模型参数达到功耗模型任务中设定的目标任务需求；
当功耗模型参数达到功耗模型任务中设定的目标任务需求时，基于当前功耗模型参数，计算当前工作模式下的第一功耗预测数据；
迭代计算过程表示为如下公式：
其中，表示第i个工作模式下第t+1次迭代后得到的功耗模型参数，/>表示第i个工作模式下第t次迭代后得到的功耗模型参数，α是学习率，所述学习率用于控制参数更新的步长，/>表示损失函数，所述损失函数用于衡量功耗模型参数/>与目标任务需求之间的偏差，/>是损失函数关于功耗模型参数/>的梯度；
实时学习预测层还包括：实时学习器；
其中，不同工作模式下的功耗模型是由实时学习器从历史运行数据以及历史芯片功耗数据中学习得到的；
若实时学习器的参数集合为θ，通过如下损失函数优化参数集合θ，该损失函数用于衡量不同工作模式下的预测误差累计值，则用于优化各个功耗模型的损失函数l(θ)表示为如下公式：
其中，i表示不同工作模式的索引，j表示对应工作模式下的样本索引，Xrun,i,j表示第i个工作模式下第j个样本的历史运行数据，Xpower,i,j表示第i个工作模式下第j个样本的历史芯片功耗数据，f(Xrun,i,j,θ)表示参数θ为实时学习器，所述实时学习器用于学习从历史运行数据到功耗数据之间的映射函数。
2.根据权利要求1所述的运算器芯片功耗管理方法，其特征在于，所述芯片多模态功耗预测模型还包括：实时任务需求提取层；
所述通过特征提取层，从所述实时运行数据中提取目标运算器芯片的实时负载特征以及任务运行需求特征之后，还包括：
通过实时任务需求提取层，基于实时负载特征以及任务运行需求特征，获取待执行的实时任务需求；
基于实时任务需求中各个实时任务的复杂程度以及重要性，动态配置各个实时任务对应的需求权重系数；
基于各个实时任务对应的需求权重系数、以及各个实时任务对应的历史平均功耗，计算目标运算器芯片的实时任务功耗参考值，作为所述实时任务需求。
3.根据权利要求1所述的运算器芯片功耗管理方法，其特征在于，所述动态关联网络预测层至少包括：动态关联网络；
动态关联网络中包括多个关联单元，动态关联网络中每一关联单元对应于一种工作模式；
所述通过动态关联网络预测层，基于动态关联网络中各个关联单元之间的动态路由关系，获取目标运算器芯片在不同工作模式下第一功耗预测数据之间的电路空间关系特征以及能耗关联特征，包括：
获取目标运算器芯片所处电路中的电路空间结构；
基于所述电路空间结构以及所述动态路由关系，选取目标运算器芯片在不同工作模式下应用到的电路结构单元组成的空间结构分支；
通过各个关联单元，将各个工作模式下的第一功耗预测数据分配至所选的空间结构分支，并驱动各个空间结构分支中的特征提取模块，从第一功耗预测数据中提取对应的电路空间关系特征；
通过各个关联单元，基于所述动态路由关系对不同工作模式对应的第一功耗预测数据之间进行特征横向预测，以获得第一功耗预测数据之间的能耗关联特征。
4.一种计算子系统，其特征在于，所述计算子系统包括：
获取单元，被配置为获取目标运算器芯片的实时运行数据；所述实时运行数据用于表示目标运算器芯片的实时运行情况；
预测单元，被配置为采用芯片多模态功耗预测模型，对所述实时运行数据在不同工作模式下的芯片功耗进行预测，以获得适用于目标运算器芯片的目标工作模式；其中，目标工作模式为目标运算器芯片满足实时运行需求时芯片功耗最低的一种工作模式；
动态配置单元，被配置为动态配置目标运算器芯片的实时运行参数，以使目标运算器芯片达到目标工作模式；
所述芯片多模态功耗预测模型至少包括：特征提取层、实时学习预测层、动态关联网络预测层和预测机制整合层；
所述预测单元，采用芯片多模态功耗预测模型，对所述实时运行数据在不同工作模式下的芯片功耗进行预测，以获得适用于目标运算器芯片的目标工作模式，具体被配置为：
通过特征提取层，从所述实时运行数据中提取目标运算器芯片的实时负载特征以及任务运行需求特征；
通过实时学习预测层，采用实时学习任务网络中不同工作模式下的功耗模型，对实时负载特征以及任务运行需求特征进行学习，以预测得到目标运算器芯片在不同工作模式下的第一功耗预测数据；
通过动态关联网络预测层，基于动态关联网络中各个关联单元之间的动态路由关系，获取目标运算器芯片在不同工作模式下第一功耗预测数据之间的电路空间关系特征以及能耗关联特征；
通过预测机制整合层，根据电路空间关系特征以及能耗关联特征，对目标运算器芯片在不同工作模式下的第一功耗预测数据进行动态优化，以得到优化后的第二功耗预测数据；基于第二功耗预测数据以及动态调整的实时任务需求，选取适用于目标运算器芯片的目标工作模式；
其中，在第二功耗预测数据满足所述实时任务需求的工作模式中，目标工作模式对应的第二功耗预测数据的数值最低；
实时学习预测层至少包括：实时学习任务网络；所述实时学习任务网络至少包括：多任务特征提取层、实时学习层和优化层；
所述通过实时学习预测层，采用实时学习任务网络中不同工作模式下的功耗模型，对实时负载特征以及任务运行需求特征进行学习，以预测得到目标运算器芯片在不同工作模式下的第一功耗预测数据，包括：
通过多任务特征提取层，获取实时负载特征以及任务运行需求特征，并分配至不同工作模式对应的任务提取分支；通过各个任务提取分支，从实时负载特征以及任务运行需求特征中提取对应的实时任务运行特征；所述实时任务运行特征至少包括：处理器实时负载信息、内存占用信息和频率设置信息；
通过实时学习层，对各个任务提取分支中提取的实时任务运行特征进行元计算，以获得目标运算器芯片在不同工作模式下的第一功耗预测数据；
通过优化层，采用预设优化机制对第一功耗预测数据进行偏差拟合校正，以得到优化后的第一功耗预测数据；
所述通过实时学习层，对各个任务提取分支中提取的实时任务运行特征进行元计算，以获得目标运算器芯片在不同工作模式下的第一功耗预测数据，包括：
在实时学习层中，设置各个工作模式下的初始化元参数；各个初始化元参数依据对应的功耗模型确定；
基于所述实时任务运行特征，设定各个工作模式下的功耗模型任务；
基于各个工作模式下的初始化元参数，迭代计算各个工作模式下的功耗模型任务所驱动的功耗模型参数，以使功耗模型参数达到功耗模型任务中设定的目标任务需求；
当功耗模型参数达到功耗模型任务中设定的目标任务需求时，基于当前功耗模型参数，计算当前工作模式下的第一功耗预测数据；
迭代计算过程表示为如下公式：
其中，表示第i个工作模式下第t+1次迭代后得到的功耗模型参数，/>表示第i个工作模式下第t次迭代后得到的功耗模型参数，α是学习率，所述学习率用于控制参数更新的步长，/>表示损失函数，所述损失函数用于衡量功耗模型参数/>与目标任务需求之间的偏差，/>是损失函数关于功耗模型参数/>的梯度；
实时学习预测层还包括：实时学习器；
其中，不同工作模式下的功耗模型是由实时学习器从历史运行数据以及历史芯片功耗数据中学习得到的；
若实时学习器的参数集合为θ，通过如下损失函数优化参数集合θ，该损失函数用于衡量不同工作模式下的预测误差累计值，则用于优化各个功耗模型的损失函数l(θ)表示为如下公式：
其中，i表示不同工作模式的索引，j表示对应工作模式下的样本索引，Xrun,i,j表示第i个工作模式下第j个样本的历史运行数据，Xpower,i,j表示第i个工作模式下第j个样本的历史芯片功耗数据，f(Xrun,i,j,θ)表示参数θ为实时学习器，所述实时学习器用于学习从历史运行数据到功耗数据之间的映射函数。
5.一种智能计算平台，其特征在于，所述智能计算平台包括：
至少一个处理器、存储器和输入输出单元；
其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行如权利要求1至3中任一项所述的运算器芯片功耗管理方法。
CN202410276853.1A 2024-03-11 2024-03-12 运算器芯片功耗管理方法、计算子系统以及智能计算平台 Active CN117873690B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202410270291X 2024-03-11
CN202410270291 2024-03-11

Publications (2)

Publication Number Publication Date
CN117873690A CN117873690A (zh) 2024-04-12
CN117873690B true CN117873690B (zh) 2024-05-14

Family

ID=90597111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410276853.1A Active CN117873690B (zh) 2024-03-11 2024-03-12 运算器芯片功耗管理方法、计算子系统以及智能计算平台

Country Status (1)

Country Link
CN (1) CN117873690B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118467296A (zh) * 2024-05-21 2024-08-09 深圳市奥盛通科技有限公司 一种加固计算机的智能控制功耗方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114154412A (zh) * 2021-11-25 2022-03-08 上海交通大学 基于深度强化学习的优化芯片布局系统及方法
CN116137593A (zh) * 2023-02-20 2023-05-19 重庆邮电大学 一种数字孪生辅助动态资源需求预测的虚拟网络功能迁移方法
CN116360574A (zh) * 2021-12-23 2023-06-30 荣耀终端有限公司 确定资源配置参数的方法与电子设备
CN117350165A (zh) * 2023-10-25 2024-01-05 同济大学 一种基于深度强化学习的3d芯片动态热管理方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114154412A (zh) * 2021-11-25 2022-03-08 上海交通大学 基于深度强化学习的优化芯片布局系统及方法
CN116360574A (zh) * 2021-12-23 2023-06-30 荣耀终端有限公司 确定资源配置参数的方法与电子设备
CN116137593A (zh) * 2023-02-20 2023-05-19 重庆邮电大学 一种数字孪生辅助动态资源需求预测的虚拟网络功能迁移方法
CN117350165A (zh) * 2023-10-25 2024-01-05 同济大学 一种基于深度强化学习的3d芯片动态热管理方法

Also Published As

Publication number Publication date
CN117873690A (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
CN117873690B (zh) 运算器芯片功耗管理方法、计算子系统以及智能计算平台
Khoda et al. Efficient computation offloading decision in mobile cloud computing over 5G network
CN111641681A (zh) 基于边缘计算和深度强化学习的物联网服务卸载决策方法
Beghoura et al. Green software requirements and measurement: random decision forests-based software energy consumption profiling
Xu et al. Resource pre-allocation algorithms for low-energy task scheduling of cloud computing
Zhou et al. IECL: an intelligent energy consumption model for cloud manufacturing
Chen et al. Accurate workload prediction for edge data centers: Savitzky-Golay filter, CNN and BiLSTM with attention mechanism
CN103678004A (zh) 一种基于非监督特征学习的主机负载预测方法
CN118153516B (zh) 一种处理器功能仿真验证方法及系统
CN117997906A (zh) 节点计算资源分配方法、网络交换子系统及智能计算平台
Li et al. Cost-aware automatic scaling and workload-aware replica management for edge-cloud environment
CN117972367B (zh) 一种数据存储预测方法、数据存储子系统及智能计算平台
Ding et al. Performance-to-power ratio aware resource consolidation framework based on reinforcement learning in cloud data centers
Mahan et al. A novel resource productivity based on granular neural network in cloud computing
CN115238599A (zh) 制冷系统节能方法及模型强化学习训练方法、装置
Li et al. ECDX: Energy consumption prediction model based on distance correlation and XGBoost for edge data center
Lee et al. Energy-efficient control of mobile processors based on long short-term memory
CN117891681A (zh) 一种基于能耗预测的存储设备动态配置方法及系统
Wiesner et al. Software‐in‐the‐loop simulation for developing and testing carbon‐aware applications
Mahmud et al. Power profiling of context aware systems: a contemporary analysis and framework for power conservation
CN117453409A (zh) 一种基于机器学习的数据中心资源预测和调度方法及系统
CN110941489B (zh) 流处理引擎的伸缩方法和装置
Bogdan et al. Energy-efficient computing from systems-on-chip to micro-server and data centers
CN114217688B (zh) 一种基于神经网络结构的npu功耗优化系统和方法
Sixdenier et al. Sidam: A design space exploration framework for multi-sensor embedded systems powered by energy harvesting

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