DE102019112776A1

DE102019112776A1 - Thermisches selbstlernen mit durch bestärkung lernendem agenten

Info

Publication number: DE102019112776A1
Application number: DE102019112776.9A
Authority: DE
Inventors: Kelly Hammond; Arjan Van De Ven; Srinivas Pandruvada; Denis Vladimirov; Yonghong Huang; Raghuveer Devulapalli; Qin Wang; Rahul Unnikrishnan Nair
Original assignee: Intel Corp
Current assignee: Intel Corp
Priority date: 2018-06-28
Filing date: 2019-05-15
Publication date: 2020-01-02
Also published as: US20190042979A1; CN110658900A

Abstract

Eine Ausführungsform einer Halbleiter-Package-Vorrichtung kann Technologie zum Erlernen von thermischen Verhaltensinformationen eines Systems basierend auf Eingabeinformationen einschließlich Prozessorinformationen und/oder Wärmeinformationen und/oder Kühlungsinformationen und zum Bereitstellen von Informationen zum Anpassen eines Parameters eines Prozessors und/oder eines Parameters eines Kühlungsuntersystems basierend auf den erlernten thermischen Verhaltensinformationen und den Eingabeinformationen beinhalten. Andere Ausführungsformen sind offenbart und werden beansprucht.

Description

TECHNISCHES GEBIET
Ausführungsformen betreffen allgemein Wärmemanagementsysteme. Insbesondere betreffen Ausführungsformen thermisches Selbstlernen mit einem durch Bestärkung lernenden Agenten.
HINTERGRUND
Für viele Computersysteme sind effiziente Kühllösungen wichtig, um hohe Systemleistungsfähigkeit zu gewährleisten. Thermische Kühlung kann passive Kühlung und aktive Kühlung beinhalten. Aktive Kühlung kann Lüfter, Kühlkörper oder andere Wärmeübertragungskomponenten beinhalten, die Wärme ableiten. Passive Kühlung beinhaltet softe Kühltechnologie zum Einschränken der CPU-Frequenz (oder z. B. der Leistung), um die erzeugte Wärme zu reduzieren. Aktive Kühlung beinhaltet Luftkühlung (z. B. den Betrieb eines Lüfters, um die erzeugte Wärme in die Umgebung abzuleiten), Flüssigkeitskühlung (z. B. den Betrieb einer Pumpe zum Zirkulieren einer Flüssigkeit, um die Wärme abzuleiten) usw.
Figurenliste
Die verschiedenen Vorteile der Ausführungsformen werden einem Fachmann beim Lesen der folgenden Spezifikation und der angehängten Ansprüche und unter Bezugnahme auf die folgenden Zeichnungen ersichtlich werden, in denen gilt:

1 ist ein Blockdiagramm eines Beispiels für ein elektronisches Verarbeitungssystem gemäß einer Ausführungsform;
2 ist ein Blockdiagramm eines Beispiels für eine Halbleiter-Package-Vorrichtung gemäß einer Ausführungsform;
3A bis 3B sind Flussdiagramme eines Beispiels für ein Verfahren zum Verwalten eines thermischen Systems gemäß einer Ausführungsform;
4A bis 4B sind Blockdiagramme von Beispielen für eine andere elektronische Verarbeitungssystemvorrichtung gemäß einer Ausführungsform;
5A bis 5B sind Blockdiagramme von Beispielen einer anderen elektronischen Verarbeitungssystemvorrichtung gemäß einer Ausführungsform;
6A und 6B sind Blockdiagramme von Beispielen für Wärmemanagementvorrichtungen gemäß Ausführungsformen;
7 ist ein Blockdiagramm eines Beispiels für einen Prozessor gemäß einer Ausführungsform; und
8 ist ein Blockdiagramm eines Beispiels für ein System gemäß einer Ausführungsform.

BESCHREIBUNG DER AUSFÜHRUNGSFORMEN
Jetzt unter Bezugnahme auf 1 kann eine Ausführungsform eines elektronischen Verarbeitungssystems 10 Folgendes beinhalten: einen Prozessor 11, einen Speicher 12, der kommunikativ mit dem Prozessor 11 gekoppelt ist, einen Sensor 13 (z.B. einen Wärmesensor, einen Luftströmungssensor, einen Leistungssensor, einen Aktivitätssensor usw.), der kommunikativ mit dem Prozessor 11 gekoppelt ist, ein Kühlungsuntersystem 14 (z. B. einschließlich passiver und/oder aktiver Kühlkomponenten), das kommunikativ mit dem Prozessor 11 gekoppelt ist, und einen Maschinenlernagenten 15, der kommunikativ mit dem Prozessor 11, dem Sensor 13 und dem Kühlungsuntersystem 14 gekoppelt ist. Der Maschinenlernagent kann Logik 16 zum Erlernen von thermischen Verhaltensinformationen des Systems basierend auf Informationen vom Prozessor 11 und/oder vom Sensor 13 und/oder vom Kühlungsuntersystem 14 und zum Anpassen eines Parameters des Prozessors 11 (z. B. Leistung, Frequenz, Nutzung usw.) und/oder eines Parameters des Kühlungsuntersystems 14 (z. B. Leistung, Lüftergeschwindigkeit, Pumpendurchsatz, Lufteinschränkung usw.) basierend auf den erlernten thermischen Verhaltensinformationen und Informationen vom Prozessor 11 und/oder vom Sensor 13 und/oder vom Kühlungsuntersystem 14 beinhalten. Bei manchen Ausführungsformen kann die Logik 16 dazu ausgelegt sein, die thermischen Verhaltensinformationen des Systems 10 basierend auf Bestärkungsinformationen vom Prozessor 11 und/oder vom Sensor 13 und/oder vom Kühlungsuntersystem 14 zu erlernen. Die Bestärkungsinformationen können zum Beispiel Belohnungsinformationen und/oder Bestrafungsinformationen beinhalten.
Bei manchen Ausführungsformen kann die Logik 16 ferner dazu ausgelegt sein, das thermische Verhalten des Systems 10 basierend auf Anpassungen zum Erhöhen der Belohnungsinformationen und zum Verringern der Bestrafungsinformationen zu erlernen. Erhöhte Belohnungsinformationen können zum Beispiel erhöhten Prozessorfrequenzen und/oder reduzierter aktiver Kühlung entsprechen und erhöhte Bestrafungsinformationen können Prozessortemperaturen über einer Schwellentemperatur entsprechen. Bei manchen Ausführungsformen kann der Maschinenlernagent 15 einen durch tiefe Bestärkung lernenden Agenten mit Q-Lernen beinhalten (wobei sich „Q“ z. B. auf Aktion-Wert-Paare oder eine Aktion-Wert-Funktion beziehen kann). Bei manchen Ausführungsformen können sich der Maschinenlernagent 15 und/oder die Logik 16 in verschiedenen Komponenten, einschließlich des Prozessors 11 befinden oder mit diesen colokalisiert sein (z. B. auf demselben Die).
Ausführungsformen sowohl des obigen Prozessors 11, des Speichers 12, des Sensors 13, des Kühlungsuntersystems 14, des Maschinenlernagenten 15, der Logik 16 und anderer Systemkomponenten können in Hardware, Software oder einer beliebigen geeigneten Kombination davon implementiert werden. Hardwareimplementierungen können zum Beispiel konfigurierbare Logik, wie etwa zum Beispiel programmierbare Logikarrays (PLAs), feldprogrammierbare Gate-Arrays (FPGAs), komplexe programmierbare Logikeinrichtungen (CPLDs: Complex Programmable Logic Devices), oder Logikhardware mit fester Funktionalität beinhalten, die Schaltungstechnologie verwendet, wie etwa zum Beispiel eine anwendungsspezifische integrierte Schaltung (ASIC: Application Specific Integrated Circuit), einen komplementären Metalloxidhalbleiter (CMOS: Complementary Metal Oxide Semiconductor) oder Transistor-Transistor-Logik(TTL)-Technologie oder eine beliebige Kombination davon. Ausführungsformen des Prozessors 11 können einen Allgemeinprozessor, einen Spezialprozessor, eine zentrale Prozessoreinheit (CPU: Central Processor Unit), eine Steuerung, einen Mikrocontroller usw. beinhalten.
Alternativ oder zusätzlich dazu können alle oder Teile dieser Komponenten in einem oder mehreren Modulen als ein Satz von Logikanweisungen implementiert werden, die in einem maschinen- oder computerlesbaren Speicherungsmedium gespeichert sind, wie etwa Direktzugriffsspeicher (RAM: Random Access Memory), Nurlesespeicher (ROM: Read Only Memory), programmierbaren ROM (PROM), Firmware, Flash-Speicher usw., und durch einen Prozessor oder eine Recheneinrichtung auszuführen sind. Computerprogrammcode zum Ausführen der Operationen der Komponenten kann zum Beispiel in einer beliebigen Kombination einer oder mehrerer Betriebssystem(OS)-anwendbaren/geeigneten Programmiersprachen geschrieben sein, einschließlich einer objektorientierten Programmiersprache, wie etwa PYTHON, PERL, JAVA, SMALLTALK, C++, C# oder dergleichen, und herkömmlicher prozeduraler Programmiersprachen, wie etwa der Programmiersprache „C“ oder ähnlicher Programmiersprachen. Der Speicher 12, beständige Speicherungsmedien oder ein anderer Systemspeicher können zum Beispiel einen Satz von Anweisungen speichem, die bei Ausführung durch den Prozessor 11 bewirken, dass das System 10 eine oder mehrere Komponenten, ein oder mehrere Merkmale oder einen oder mehrere Aspekte des Systems 10 (z. B. den Maschinenlernagenten 15, die Logik 16, Erlernen der thermischen Verhaltensinformationen des Systems und Anpassen des einen oder der mehreren Parameter des Prozessors und/oder des einen oder der mehreren Parameter des Kühlungsuntersystems basierend auf den erlernten thermischen Verhaltensinformationen usw.) implementiert.
Jetzt unter Bezugnahme auf 2 kann eine Ausführungsform einer Halbleiter-Package-Vorrichtung 20 ein oder mehrere Substrate 21 und Logik 22, die mit dem einen oder den mehreren Substraten 21 gekoppelt ist, beinhalten, wobei die Logik 22 zumindest teilweise in konfigurierbarer Logik und/oder Hardwarelogik mit fester Funktionalität implementiert wird. Die mit dem einen oder den mehreren Substraten 21 gekoppelte Logik 22 kann dazu ausgelegt sein, thermische Verhaltensinformationen eines Systems basierend auf Eingabeinformationen einschließlich Prozessorinformationen und/oder Wärmeinformationen und/oder Kühlungsinformationen zu erlernen und Informationen zum Anpassen eines Parameters eines Prozessors (z. B. Leistung, Frequenz, Nutzung usw.) und/oder eines Parameters eines Kühlungsuntersystems (z. B. Leistung, Lüftergeschwindigkeit, Pumpendurchsatz, Lufteinschränkung usw.) basierend auf den erlernten thermischen Verhaltensinformationen und den Eingabeinformationen bereitzustellen. Bei manchen Ausführungsformen können die Eingabeinformationen Bestärkungsinformationen beinhalten und die Logik 22 kann ferner dazu ausgelegt sein, die thermischen Verhaltensinformationen des Systems basierend auf den Bestärkungsinformationen zu erlernen. Die Bestärkungsinformationen können zum Beispiel Belohnungsinformationen und/oder Bestrafungsinformationen beinhalten. Bei manchen Ausführungsformen kann die Logik 22 dazu ausgelegt sein, das thermische Verhalten des Systems basierend auf Anpassungen zum Erhöhen der Belohnungsinformationen und zum Verringern der Bestrafungsinformationen zu erlernen. Erhöhte Belohnungsinformationen können zum Beispiel erhöhten Prozessorfrequenzen und/oder reduzierter aktiver Kühlung entsprechen und erhöhte Bestrafungsinformationen können Prozessortemperaturen über einer Schwellentemperatur entsprechen. Bei manchen Ausführungsformen kann die Logik 22 ferner dazu ausgelegt sein, einen durch tiefe Bestärkung lernenden Agenten mit Q-Lernen bereitzustellen. Bei manchen Ausführungsformen kann die mit dem einen oder den mehreren Substraten 21 gekoppelte Logik 22 Transistorkanalgebiete beinhalten, die innerhalb des einen oder der mehreren Substrate 21 positioniert sind.
Ausführungsformen der Logik 22 und anderer Komponenten der Vorrichtung 20 können in Hardware, Software oder einer beliebigen Kombination davon implementiert werden, einschließlich zumindest einer teilweisen Implementierung in Hardware. Hardwareimplementierungen können zum Beispiel konfigurierbare Logik, wie etwa zum Beispiel PLAs, FPGAs, CPLDs, oder Logikhardware mit fester Funktionalität beinhalten, die Entscheidungstechnologie verwendet, wie etwa zum Beispiel ASIC, CMOS oder TTL-Technologie oder eine beliebige Kombination davon. Zusätzlich dazu können Teile dieser Komponenten in einem oder mehreren Modulen als ein Satz von Logikanweisungen implementiert werden, die in einem maschinen- oder computerlesbaren Speicherungsmedium gespeichert sind, wie etwa RAM, ROM, PROM, Firmware, Flash-Speicher usw., und durch einen Prozessor oder eine Recheneinrichtung auszuführen sind. Computerprogrammcode zum Ausführen der Operationen der Komponenten kann zum Beispiel in einer beliebigen Kombination einer oder mehrerer OS-anwendbarer/geeigneter Programmiersprachen geschrieben sein, einschließlich einer objektorientierten Programmiersprache, wie etwa PYTHON, PERL, JAVA, SMALLTALK, C++, C# oder dergleichen, und herkömmlicher prozeduraler Programmiersprachen, wie etwa der Programmiersprache „C“ oder ähnlicher Programmiersprachen.
Die Vorrichtung 20 kann einen oder mehrere Aspekte des Verfahrens 30 (3A bis 3B) oder beliebige der hierin besprochenen Ausführungsformen implementieren. Bei manchen Ausführungsformen kann die veranschaulichte Vorrichtung 20 das eine oder die mehreren Substrate 21 (z. B. Silizium, Saphir, Galliumarsenid) und die Logik 22 (z. B. ein Transistorarray und andere Integrierte-Schaltung-/IC-Komponenten), die mit dem einen oder den mehreren Substraten 21 gekoppelt ist, beinhalten. Die Logik 22 kann zumindest teilweise in konfigurierbarer Logik oder Logikhardware mit fester Funktionalität implementiert werden. Bei einem Beispiel kann die Logik 22 Transistorkanalgebiete beinhalten, die innerhalb des einen oder der mehreren Substrate 21 positioniert (z. B. eingebettet) sind. Somit ist die Grenzfläche zwischen der Logik 22 und dem einen oder den mehreren Substraten 21 möglicherweise kein abrupter Übergang. Es kann auch in Betracht gezogen werden, dass die Logik 22 eine Epitaxialschicht beinhaltet, die auf einem anfänglichen Wafer des einen oder der mehreren Substrate 21 aufgewachsen wird.
Jetzt unter Bezugnahme auf die 3A bis 3B kann eine Ausführungsform eines Verfahrens 30 zum Verwalten eines thermischen Systems Folgendes beinhalten: bei Block 31 Erlernen von thermischen Verhaltensinformationen eines Systems basierend auf Eingabeinformationen einschließlich Prozessorinformationen und/oder Wärmeinformationen und/oder Kühlungsinformationen, und bei Block 32 Bereitstellen von Informationen zum Anpassen eines Parameters eines Prozessors (z. B. Leistung, Frequenz, Nutzung usw.) und/oder eines Parameters eines Kühlungsuntersystems (z. B. Leistung, Lüftergeschwindigkeit, Pumpendurchsatz, Lufteinschränkung usw.) basierend auf den erlernten thermischen Verhaltensinformationen und den Eingabeinformationen. Bei manchen Ausführungsformen können bei Block 33 die Eingabeinformationen auch Bestärkungsinformationen beinhalten und das Verfahren 30 kann bei Block 34 Erlernen der thermischen Verhaltensinformationen des Systems basierend auf den Bestärkungsinformationen beinhalten. Bei Block 35 können die Bestärkungsinformationen zum Beispiel Belohnungsinformationen und/oder Bestrafungsinformationen beinhalten. Manche Ausführungsformen des Verfahrens 30 können bei Block 36 ferner Erlernen des thermischen Verhaltens des Systems basierend auf Anpassungen zum Erhöhen der Belohnungsinformationen und zum Verringern der Bestrafungsinformationen beinhalten. Erhöhte Belohnungsinformationen können bei Block 37 zum Beispiel erhöhten Prozessorfrequenzen und/oder reduzierter aktiver Kühlung entsprechen und erhöhte Bestrafungsinformationen können bei Block 38 Prozessortemperaturen über einer Schwellentemperatur entsprechen. Manche Ausführungsformen des Verfahrens 30 können bei Block 39 ferner Bereitstellen eines durch tiefe Bestärkung lernenden Agenten mit Q-Lernen beinhalten.
Ausführungsformen des Verfahrens 30 können in einem System, einer Vorrichtung, einem Computer, einer Einrichtung usw. implementiert werden, zum Beispiel wie etwa in jenen, die hierin beschrieben sind. Insbesondere können Hardwareimplementierungen des Verfahrens 30 konfigurierbare Logik, wie etwa zum Beispiel PLAs, FPGAs, CPDLs, oder Logikhardware mit fester Funktionalität beinhalten, die Schaltungstechnologie verwendet, wie etwa zum Beispiel ASIC, CMOS oder TTL-Technologie oder eine beliebige Kombination davon. Alternativ oder zusätzlich dazu kann das Verfahren 30 in einem oder mehreren Modulen als ein Satz von Logikanweisungen implementiert werden, die in einem maschinen- oder computerlesbaren Speicherungsmedium gespeichert sind, wie etwa RAM, ROM, PROM, Firmware, Flash-Speicher usw., und durch einen Prozessor oder eine Recheneinrichtung auszuführen sind. Computerprogrammcode zum Ausführen der Operationen der Komponenten kann zum Beispiel in einer beliebigen Kombination einer oder mehrerer OS-anwendbarer/geeigneter Programmiersprachen geschrieben sein, einschließlich einer objektorientierten Programmiersprache, wie etwa PYTHON, PERL, JAVA, SMALLTALK, C++, C# oder dergleichen, und herkömmlicher prozeduraler Programmiersprachen, wie etwa der Programmiersprache „C“ oder ähnlicher Programmiersprachen.
Das Verfahren 30 kann zum Beispiel auf einem computerlesbaren Medium implementiert werden, wie in Verbindung mit den untenstehenden Beispielen 20 bis 25 beschrieben. Ausführungsformen oder Teile des Verfahrens 30 können in Firmware, Anwendungen (z. B. durch eine Anwendungsprogrammierungsschnittstelle (API: Application Programming Interface)) oder Treibersoftware, die auf einem Betriebssystem (OS) ausgeführt wird, implementiert werden. Zusätzlich dazu können Logikanweisungen Assembler-Anweisungen, Befehlssatzarchitektur(ISA: Instruction Set Architecture)-Anweisungen, Maschinenanweisungen, maschinenabhängige Anweisungen, Mikrocode, Zustandseinstellungsdaten, Konfigurationsdaten für einen integrierten Schaltkreis, Zustandsinformationen, die einen elektronischen Schaltkreis und/oder andere hardwarenative strukturelle Komponenten (z. B. Host-Prozessor, Zentralverarbeitungseinheit/CPU, Mikrocontroller usw.) personalisieren, beinhalten.
Manche Ausführungsformen können vorteilhafterweise eine adaptive Selbstlernlösung zur aktiven und passiven thermischen CPU-Kühlung unter Verwendung von bestärkendem Lernen und/oder Modellierungstechnologie bereitstellen. Wie oben angemerkt, können effiziente CPU-Kühllösungen wichtig sein, um eine hohe Systemleistungsfähigkeit zu gewährleisten. In manchen Systemen kann passive Kühlung die CPU-Frequenz (oder z. B. die Leistung) steuern, um die erzeugte Wärme zu reduzieren, und aktive Kühlung kann den Betrieb eines Lüfters beinhalten, um die erzeugte Wärme in die Umgebung abzuleiten. Passive Kühlung kann die Systemleistungsfähigkeit reduzieren, während Lüfter Leistung verbrauchen können und möglicherweise im Betrieb geräuschintensiv sind. In manchen Systemen kann es wichtig sein, dass die Kühllösung den richtigen Ausgleich zwischen Leistung und Leistungsfähigkeit findet, während gewährleistet wird, dass die CPU innerhalb der designierten thermischen Grenzen arbeitet. Hochleistungsrechnen in Kleinformateinrichtungen kann eine erhöhte Anzahl von Kernen und erhöhte Taktgeschwindigkeiten beinhalten, was den Leistungsverbrauch hochtreiben und zu übermäßiger Wärme führen kann, die durch die CPU erzeugt wird. Diese Wärme muss effektiv abgeleitet werden, um das System und die CPU innerhalb sicherer Betriebszustände zu halten. Passive Kühltechnologie kann die CPU-Frequenz, CPU-Ruhezustände und/oder den Leistungsverbrauch steuern, was beschränken kann, wie viel CPU-Wärme erzeugt wird. Aktive Kühleinrichtungen (wie Wärmepumpen und ein Lüfter) können die erzeugte Wärme von der Einrichtung zu der Umgebung übertragen. Die zur effizienten Kühlung erforderlichen Parameter können von vielen Dingen abhängen, angefangen von Umgebungsfaktoren (z. B. Lufttemperatur, Luftdruck/Höhenlage, exaktes Layout der Maschinenkühllösung, Luftströmung, Alter des Lüfters, Staubmenge im Lüfter/Kühlblock usw.) bis hin zu Arbeitslastfaktoren (z. B. Spiele gegenüber Webbrowsing gegenüber Office-Anwendungen usw.).
Manche herkömmlichen Kühlungsstrategien können als reaktive Lösungen angesehen werden, die einen Satz von Temperaturauslösepunkten zum Auslösen von vordefinierten Kühlaktionen verwenden. Das Bestimmen geeigneter Auslösepunkte und entsprechender Aktionen kann komplex sein und die Sollwerte können typischerweise Approximationen sein, die aus Wärmeexperimenten, Benutzererfahrungen oder Gemeinschaftswissen festgelegt werden. Um zu gewährleisten, dass die CPU keine kritischen Grenzen erreicht, können die Sollwerte übermäßig aggressiv sein, was entweder die Leistungsfähigkeit reduziert, mehr Leistung verbraucht oder beides. Zusätzlich dazu können die Sollwerte in dem Sinne statisch sein, dass sie durch den Lebenszyklus des Systems hindurch konstant bleiben, und sich daher nicht auf variierende Betriebszustände (z. B. Umgebungstemperatur, Luftdruck, alternde Komponenten, Staubansammlung usw.) anpassen.
Manche herkömmlichen Kühllösungen können auf vordefinierten heuristischen Lösungen und statischen Konfigurationen basieren, die eingerichtet werden, wenn das System zuerst zum Endbenutzer versandt wird. Die Konfiguration kann eine statische suboptimale Lösung sein, die für Durchschnitts- oder Schlimmstfallszenarien konzipiert ist und sich nicht an sich ändernde Betriebszustände anpasst. Die Konfiguration ist möglicherweise nicht gut über Einrichtungen hinweg skalierbar und kann eine unabhängige Neugestaltung der Kühllösung für jede Einrichtung/Plattform erfordern. In manchen Fällen kann der Endbenutzer diese Konfigurationen durch Editieren einer Datei modifizieren, aber dies ist keine triviale Aufgabe, um eine optimale Konfiguration zu entwickeln. Das zweckmäßige Editieren der Konfigurationsdatei kann zum Beispiel fundierte Kenntnisse über die thermischen Eigenschaften des Systems erfordern, was über die Möglichkeiten eines durchschnittlichen Endbenutzers hinausgeht. Manche herkömmlichen Kühllösungen können als reaktive Technologie angesehen werden, bei der die Kühllösungen nur dann eingesetzt werden, wenn das System einen Sollwert oder kritischen Punkt erreicht. Eine derartige reaktive Technologie kann zur thermischen Drosselung führen, bei der ein erheblicher Rückgang in der Leistungsfähigkeit auftritt.
Jetzt unter Bezugnahme auf die 4A bis 4B kann eine Ausführungsform eines elektronischen Verarbeitungssystems ein Trainingssystem 40a (4A) und ein eingesetztes System 40b (4B) beinhalten. In der Trainingsphase kann das System 40a einen Maschinenlernagenten 42 beinhalten, der mit einem CPU-Wärmesimulator 44 gekoppelt ist. Der Maschinenlernagent 42 kann ein neuronales Netz 42a (und/oder z. B. eine andere geeignete Maschinenlerntechnologie) beinhalten. Der Maschinenlernagent 42 kann Eingabeinformationen vom CPU-Wärmesimulator 44 empfangen, einschließlich Zustandsinformationen, wie etwa CPU-Frequenzinformationen, CPU-Nutzungsinformationen, CPU-Temperaturinformationen, Lüfter-Drehzahl(RPM: Revolutions Per Minute)-Informationen usw. Das neuronale Netz 42a kann die Eingabeinformationen verarbeiten und ein Entscheidungsnetzwerk 42b erzeugen, das eine empfohlene neue Lüfter-RPM und eine empfohlene neue CPU-Frequenz zu dem CPU-Wärmesimulator 44 ausgibt. Alternativ dazu können manche Ausführungsformen des Trainingssystems 40a ein reales System anstelle des CPU-Wärmesimulators 44 nutzen. Damit der Agent 42 das System 40a kennenlernt, kann der Agent 42 eine Lern- oder Explorationsphase durchlaufen, bei der der Agent 42 zum Beispiel überwachte Daten von der CPU auf einem realen System sammeln kann, um das thermische CPU-Verhalten unter Belastung zu erlernen. Der Agent 42 kann diese Daten verwenden, um ein überwachtes Modell zu erstellen. Nachdem der Agent 42 ein überwachtes Modell erstellt hat, kann der Agent 42 damit anfangen, Aktionen basierend auf dem erlernten Verhalten vorzunehmen.
Nachdem die Trainingsphase ausreichend fortgeschritten ist (der Agent 42 z. B. zu einer Strategie konvergiert hat), kann der Agent 42 im eingesetzten System 40b mit einer physischen Hardwareplattform 46 gekoppelt werden (siehe z. B. 4B). Die Plattform 46 kann Hardware und ein OS, eine CPU-Frequenzsteuerung 46a, einen Sensor 46b, eine Lüftersteuerung 46c usw. beinhalten. Die Plattform 46 kann dem Agenten 42 Informationen entsprechend dem aktuellen Zustand (z. B. CPU-Frequenz von der CPU-Frequenzsteuerung 46a, die aktuelle CPU-Nutzung, die aktuelle CPU-Temperatur vom Sensor 46b, die aktuelle Lüfter-RPM von der Lüftersteuerung 46c usw.) bereitstellen. Der Agent 42 kann die Eingabeinformationen mit dem neuronalen Netz 42a verarbeiten und das Entscheidungsnetzwerk 42b kann eine empfohlene neue Lüfter-RPM zu der Lüftersteuerung 46c und eine empfohlene neue CPU-Frequenz zu der CPU-Frequenzsteuerung 46a ausgeben.
Der Prozess, dass der Agent 42 verschiedene Aktionen an der Umgebung auf einem realen System (z. B. dem eingesetzten System 40b in 4B) exploriert, kann verschiedene Probleme aufweisen, einschließlich zum Beispiel, dass eine drastische Aktion oder eine Inaktivität durch den Agenten die Plattform 46 möglicherweise kritisch beschädigt, und dass das anfängliche Training zeitabhängig sein kann, da dieses Training möglicherweise in Echtzeit durchgeführt wird (z. B. wenn der Agent 42 darauf warten muss, dass die Umgebung reagiert). Vorteilhafterweise kann ein überwachtes thermisches Modell der CPU erstellt (z. B. der CPU-Wärmesimulator 44 in 4A) und verwendet werden, um den Agenten 42 zuerst an dem Modell zu trainieren, bevor der Agent 42 eingesetzt wird, um auf der Plattform 46 ausgeführt zu werden (siehe z. B. 4B).
Manche Ausführungsformen können vorteilhafterweise eine thermische Kühllösung basierend auf bestärkendem Lernen bereitstellen, bei der Kühlsoftware (z. B. ein Agent) das thermische Verhalten des Systems durch eine Interaktion mit der CPU automatisch erlernen kann. Der Agent kann lernen, bessere oder optimale Aktionen basierend auf Belohnungs- und/oder Bestrafungsinformationen vorzunehmen, die der Agent vom Host-System empfängt. Mit geeigneten Belohnungsfunktionen können manche Ausführungsformen verschiedene Parameter, wie etwa CPU-Frequenz und Lüftergeschwindigkeit, steuern, um proaktiv zu verhindern, dass das System die thermischen Grenzen überschreitet, während die Leistung und die Leistungsfähigkeit optimiert wird. Manche Ausführungsformen können eine verbesserte oder optimale Kühllösung bereitstellen, die proaktiv sein kann und wenig oder keinen Benutzereingriff (z. B. Anpassung im Laufe der Zeit, wenn das System/die Komponenten altert bzw. altern) erfordert. Manche Ausführungsformen können dabei helfen, eine CPU-Frequenzdrosselung im Leistungsfähigkeitsmodus zu reduzieren oder zu verhindern, und können auch Batterielebensdauer in einem Leistungssparmodus einsparen. Manche Ausführungsformen können eine robuste thermische Lösung bereitstellen, die sich gut an sich ändernde Betriebszustände anpassen kann und über unterschiedliche Arten von Hardwareproblemen hinweg skalierbar sein kann (z. B. effizienter als herkömmliche Lösungen).
Manche Systeme können ein thermisches Verhalten aufweisen, bei dem die CPU-Temperatur nach einer Schwellenlüftergeschwindigkeit relativ konstant bleibt. Bei einer beliebigen Lüftergeschwindigkeit über einer gewissen Schwelle sind zum Beispiel weitere Zunahmen in der Lüftergeschwindigkeit möglicherweise bei der Reduzierung der CPU-Temperatur ineffektiv. Herkömmliche Lösungen sind möglicherweise nicht in der Lage, sich an dieses Verhalten anzupassen, und können den Lüfter mit maximalen Geschwindigkeiten für die höheren CPU-Temperaturen aggressiv betreiben. Das unnötige Betreiben eines motorbasierten Lüfters bei höheren Geschwindigkeiten macht den Lüfter nicht nur lauter, sondern verbraucht auch unnötige Leistung (die z. B. die Batterie eines Laptops zusätzlich entleeren kann). Manche Ausführungsformen können vorteilhafterweise das thermische Verhalten des Systems erlernen und hohe Lüftergeschwindigkeit vermeiden, wenn die hohe Lüftergeschwindigkeit ineffektiv ist.
Manche Ausführungsformen können eine auf bestärkendem Lernen basierte Lösung bereitstellen, die bei einer breiten Vielfalt von thermischen Verhalten/Problemen angewendet werden kann. Manche Ausführungsformen können das thermische Verhalten des Systems erlernen und die erlernten Informationen verwenden, um verbesserte oder optimale Kühlungsstrategien anzuwenden. Manche Ausführungsformen einer Kühllösung mit Bestärkungslerntechnologie können vorteilhafterweise über unterschiedliche Plattformen mit wenig oder keinen Änderungen skaliert werden. Manche Ausführungsformen können sich an sich ändernde Umgebungen anpassen und verbesserte oder optimale Kühlungsstrategien kontinuierlich im Laufe der Zeit erlernen. Manche Ausführungsformen erfordern möglicherweise keinen oder einen minimalen Benutzereingriff.
Beispiele für eine auf bestärkendem Lernen basierte Kühlung
Manche Ausführungsformen einer thermischen Kühllösung können auf künstlicher Intelligenztechnologie zur adaptiven Steuerung basieren, was bei manchen Ausführungsformen als bestärkendes Lernen bezeichnet werden kann. Bei manchen Ausführungsformen der Bestärkungslerntechnologie kann zum Beispiel ein Agent automatisch eine verbesserte oder ideale aktive und passive Kühlungsstrategie basierend auf Belohnungs- und/oder Bestrafungsinformationen, die der Agent während einer kontinuierlichen Interaktion mit der Umgebung empfängt, bestimmen. Eine beliebige geeignete Bestärkungslerntechnologie kann genutzt werden und kann einer Bestärkungslerntechnologie ähneln, die in verschiedenen Gebieten angewendet worden ist, wie etwa zum Beispiel Spieltheorie, Roboter, Spiele, Betriebsforschung, Regelungstheorie usw. Wenn eine Bestärkungslerntechnologie zum Verwalten der Wärme der CPU angewendet wird, können manche Ausführungsformen des Agenten als thermische Kühlungssoftware implementiert werden, und die Umgebung ist die CPU (die z. B. die Bestärkungsinformationen einschließlich Belohnungs-/Bestrafungsinformationen bereitstellen kann).
Bei manchen Ausführungsformen kann der Agent den Zustand der CPU (z. B. Temperatur, Frequenz, CPU-Nutzung usw.) beobachten und periodisch (z. B. bei jedem Zeitschritt) entscheiden, eine Aktion vorzunehmen (die z. B. ein Ändern der Lüftergeschwindigkeit (aktive Kühlung) und/oder Beschränken der CPU-Frequenz (passive Kühlung) beinhalten kann). Für jede durch den Agenten vorgenommene Aktion kann die Umgebung zu einem neuen Zustand übergehen und eine Belohnung/Bestrafung zurückgeben, die angibt, wie gut oder schlecht die Aktion ist. Eine Strategie kann eine Aktion spezifizieren, die der Agent vornehmen muss, wenn er sich in einem speziellen Zustand befindet, und das Ziel des Agenten kann darin bestehen, eine gute oder optimale Strategie über alle Zustände durch Maximieren der langfristigen Belohnungen, die der Agent empfängt, zu erlernen. Durch das Konzipieren geeigneter Belohnungsfunktionen können manche Ausführungsformen dem Agenten lehren, wie die CPU innerhalb sicherer thermischer Umgebungen gehalten wird, während die Leistungsfähigkeit maximiert wird.
Jetzt unter Bezugnahme auf die 5A bis 5B kann eine Ausführungsform eines elektronischen Verarbeitungssystems ein Trainingssystem 50a (5A) und ein eingesetztes System 50b (5B) beinhalten. In der Trainingsphase kann das System 50a einen durch Bestärkung lernenden Agenten (RL-Agenten; RL: Reinforcement Learning) 52 beinhalten, der mit einem CPU-Wärmesimulator 54 gekoppelt ist. Der RL-Agent 52 kann ein neuronales Netz mit tiefem Q (DQN: Deep-Q-Neural Network) 52a (und/oder z. B. eine andere geeignete Maschinenlerntechnologie) beinhalten. Der RL-Agent 52 kann Eingabeinformationen vom CPU-Wärmesimulator 54 empfangen, wie etwa CPU-Frequenzinformationen, CPU-Nutzungsinformationen, CPU-Temperaturinformationen, Lüfter-RPM-Informationen und/oder andere Zustandsinformationen. Der RL-Agent 52 kann auch Eingabeinformationen bezüglich eines Leistungsmodus (z. B. Leistungsfähigkeitsmodus, Normalmodus, Leistungssparmodus usw.), Belohnungsinformationen und/oder Bestrafungsinformationen empfangen. Die Belohnungs- und/oder Bestrafungsinformationen können sich zwischen den verschiedenen Leistungsmodi unterscheiden, um den RL-Agenten 52 anzuregen, basierend auf dem Leistungsmodus andere Strategien anzunehmen. Das DQN 52a kann die Eingabeinformationen verarbeiten und ein Entscheidungsnetzwerk 52b erzeugen, das eine empfohlene neue Lüfter-RPM und eine empfohlene neue CPU-Frequenz zu dem CPU-Wärmesimulator 54 ausgibt. Damit der RL-Agent 52 das System 50a kennenlernt, kann der RL-Agent 52 eine Lern- oder Explorationsstufe durchlaufen, bei der der RL-Agent 52 zum Beispiel Aktionen zufällig vornehmen und mittels der Eingabeinformationen, die der RL-Agent 52 vom CPU-Wärmesimulator 54 empfängt, lernen kann. Nachdem der RL-Agent 52 viele oder alle Aktionen exploriert und zu einer Strategie konvergiert hat, kann die Explorationsphase allmählich zu einer Ausnutzungsphase abgewickelt werden, bei der der RL-Agent 52 Aktionen basierend auf der optimalen Strategie, die der RL-Agent 52 erlernt hat, vornehmen kann.
Nachdem die Trainingsphase ausreichend fortgeschritten ist (der RL-Agent 52 z. B. zu einer Strategie konvergiert hat), kann der RL-Agent 52 im eingesetzten System 50b mit einer physischen Hardwareplattform 56 gekoppelt werden (siehe z. B. 5B). Die Plattform 56 kann Hardware und ein OS, eine CPU-Frequenzsteuerung 56a, einen Wärmesensor 56b, eine Lüftersteuerung 56c usw. beinhalten. Die Plattform 56 kann dem RL-Agenten 52 Informationen entsprechend der aktuellen CPU-Frequenz (z. B. von der CPU-Frequenzsteuerung 56a), der aktuellen CPU-Temperatur (z. B. vom Wärmesensor 56b) und der aktuellen Lüfter-RPM (z. B. von der Lüftersteuerung 56c) bereitstellen. Die Plattform 56 kann dem RL-Agenten 52 auch Informationen bezüglich eines aktuellen Leistungsmodus, aktueller Belohnungsinformationen und/oder aktueller Bestrafungsinformationen bereitstellen. Der RL-Agent 52 kann die Eingabeinformationen mit dem DQN 52a verarbeiten und das Entscheidungsnetzwerk 52b kann eine empfohlene neue Lüfter-RPM zu der Lüftersteuerung 56c und eine empfohlene neue CPU-Frequenz zu der CPU-Frequenzsteuerung 56a ausgeben.
Damit der RL-Agent 52 das System 50a kennenlernt, kann der Agent 52 eine Lern- oder Explorationsstufe durchlaufen, bei der der RL-Agent 52 Aktionen zufällig vornehmen kann und über die Belohnungen, die der RL-Agent 52 von der Umgebung (z. B. dem CPU-Wärmesimulator 54) empfängt, lernen kann. Der RL-Agent 52 lernt zuerst aus einem simulierten Training (5A) und wendet dann die erlernte Strategie am realen System an (5B). Nachdem der RL-Agent 52 alle oder die meisten Aktionen exploriert und zu einer Strategie konvergiert hat, kann die Explorationsphase allmählich zu einer Ausnutzungsphase abgewickelt werden, bei der der RL-Agent 52 dann Aktionen basierend auf der optimalen Strategie, die der RL-Agent 52 erlernt hat, vornehmen kann. Beliebige geeignete Techniken können zum Trainieren des RL-Agenten 52 genutzt werden, einschließlich zum Beispiel tiefen bestärkenden Lernens mit Q-Lernen. Wie oben besprochen, kann das Durchführen des anfänglichen Trainings des RL-Agenten 52 am Trainingssystem 50a einen Schaden am System 50b vermeiden, während der RL-Agent 52 eine anfängliche Strategie erlernt. Alternativ dazu können manche Ausführungsformen das Training an einem realen System anstelle des CPU-Wärmesimulators 54 durchführen (z. B. manche anderen Schritte vornehmen, um einen Schaden zu vermeiden).
Beispiele basierend auf überwachtem Lernen/einem Modell
Faktoren wie CPU-Leistung, Lüftergeschwindigkeit, Umgebungstemperatur usw. können die CPU-Temperatur direkt beeinflussen. Die genaue Beziehung zwischen diesen Variablen kann von vielen anderen Parametern (z. B. CPU-Spezifikation, Kühlkörper, Wärmeleitpaste usw.) abhängen und kann von Einrichtung zu Einrichtung variieren. Manche Ausführungsformen können ein gutes statistisches Modell durch Sammeln von bezeichneten Daten auf der tatsächlichen Einrichtung erstellen. Viele Einrichtungen verfügen zum Beispiel über einen oder mehrere eingebaute Sensoren, die die CPU-Temperatur und die Lüftergeschwindigkeit melden. Durch das Betreiben mehrerer Richtarbeitslasten und Belasten der CPU können manche Ausführungsformen die bezeichneten Daten sammeln und ein hinreichend repräsentatives thermisches Modell der CPU erstellen. Das Modell kann zum Beispiel eine maximale erreichbare CPU-Temperatur als eine Funktion der CPU-Leistung (die z. B. von der CPU-Frequenz und -Nutzung abhängen kann) und der Lüftergeschwindigkeit beinhalten, unter der Annahme, dass die Umgebungstemperatur konstant bei 25 Grad Celsius gehalten wird. Bei manchen Ausführungsformen kann das Modell die maximale Temperatur der CPU basierend auf den aktuellen Betriebszuständen vorhersagen.
Manche Ausführungsformen können zwei unterschiedlichen Agenten die Steuerung der CPU-Temperatur lehren. Der erste Agent kann lernen, verbesserte oder optimale Lüftergeschwindigkeiten zu setzen (z. B. aktive Kühlung) und wird die CPU-Frequenz möglicherweise überhaupt nicht beeinflussen. Der zweite Agent kann lernen, die CPU-Frequenz zu steuern, während die Lüftergeschwindigkeit konstant gehalten wird (z. B. nur passive Kühlung). Für beide der Agenten kann ein DQN-Netz ein vollständig verbundenes traditionelles neuronales Netz nutzen. Die Agenten können an einem simulierten thermischen Modell einer Zielplattform trainiert werden und die Hyperparameter der Netze können abgestimmt werden, um eine Konvergenz der Strategie des Agenten (z. B. basierend auf ein paar wenigen experimentellen Durchläufen) zu gewährleisten. In manchen Fällen kann das anfängliche Lernen auch auf einem physischen System stattfinden. Im Anschluss an das anfängliche Lernen kann der trainierte Agent an einem realen physischen System angewendet werden. Vorteilhafterweise kann der Agent leicht von zum Beispiel einer LINUX-Plattform zu einer ANDROID-Kraftfahrzeugplattform übertragen werden.
Der RL-Agent zur passiven Kühlung kann lernen, die CPU-Frequenz zu steuern, um die Temperatur unter einer spezifizierten Grenze (z. B. 70 Grad Celsius) mit wenig oder ohne eine Auswirkung auf die Leistungsfähigkeit zu halten. Der Agent kann Belohnungen für das Erhöhen der Frequenz (z. B. je höher die Frequenz, desto höher die Belohnung) empfangen und der Agent kann bestraft werden, falls die CPU-Temperatur die spezifizierte Grenze überschreitet. Der RL-Agent zur passiven Kühlung kann anfänglich unterschiedliche Aktionen explorieren und alle möglichen Frequenzeinstellungen ausprobieren. Nach einer Anzahl von bestärkten Lernschritten kann der RL-Agent zur passiven Kühlung lernen, eine Aktion auszuwählen, die die CPU-Frequenz maximiert, während die CPU-Temperatur unter der spezifizierten Grenze (oder z. B. einem kritischen Sollwert) gehalten wird.
Der RL-Agent zur aktiven Kühlung kann lernen, die Lüftergeschwindigkeit zu steuern. Der RL-Agent zur aktiven Kühlung kann für niedrigere Lüftergeschwindigkeiten belohnt und für das Überschreiten der spezifizierten Temperaturgrenze (z. B. einer kritischen Temperatur von 70 Grad Celsius) bestraft werden. Der RL-Agent zur aktiven Kühlung kann anfänglich verbesserte oder optimale Lüftergeschwindigkeiten an einem simulierten System erlernen, um das gewünschte Ziel zu erreichen. Nach dem Erlernen der Strategie an dem Modell kann der RL-Agent zur aktiven Kühlung zu einem physischen System übertragen werden, um den Lüfter bei realen Arbeitslasten zu steuern. Vorteilhafterweise kann der RL-Agent zur aktiven Kühlung die Temperatur unmittelbar unter Kontrolle bringen und dann die CPU-Temperatur bei der gewünschten Temperatur halten.
6A stellt eine Wärmemanagementvorrichtung 132 (132a-132b) dar, die einen oder mehrere Aspekte des Verfahrens 30 (3A bis 3B) implementieren kann. Die Wärmemanagementvorrichtung 132, die Logikanweisungen, konfigurierbare Logik, Hardwarelogik mit fester Funktionalität beinhalten kann, kann leicht den Agenten 15 (1), den Agenten 42 (4A und 4B) und/oder den Agenten 52 (5A und 5B), wie schon besprochen, ersetzen. Ein Verhaltenslemer 132a kann thermische Verhaltensinformationen eines Systems basierend auf Eingabeinformationen einschließlich Prozessorinformationen und/oder Wärmeinformationen und/oder Kühlungsinformationen erlernen. Ein Parameteranpasser 132b kann Informationen zum Anpassen eines Parameters eines Prozessors (z. B. Leistung, Frequenz usw.) und/oder eines Parameters eines Kühlungsuntersystems (z. B. Leistung, Lüftergeschwindigkeit, Pumpendurchsatz usw.) basierend auf den erlernten thermischen Verhaltensinformationen und den Eingabeinformationen bereitstellen. Bei manchen Ausführungsformen können die Eingabeinformationen Bestärkungsinformationen beinhalten und der Verhaltenslerner 132a kann ferner dazu ausgelegt sein, die thermischen Verhaltensinformationen des Systems basierend auf den Bestärkungsinformationen zu erlernen. Die Bestärkungsinformationen können zum Beispiel Belohnungsinformationen und/oder Bestrafungsinformationen beinhalten. Bei manchen Ausführungsformen kann der Verhaltenslerner 132a dazu ausgelegt sein, das thermische Verhalten des Systems basierend auf Anpassungen zum Erhöhen der Belohnungsinformationen und zum Verringern der Bestrafungsinformationen erlernen. Erhöhte Belohnungsinformationen können zum Beispiel erhöhten Prozessorfrequenzen und/oder reduzierter aktiver Kühlung entsprechen und erhöhte Bestrafungsinformationen können Prozessortemperaturen über einer Schwellentemperatur entsprechen. Bei manchen Ausführungsformen kann der Verhaltenslerner 132a ferner dazu ausgelegt sein, einen durch tiefe Bestärkung lernenden Agenten mit Q-Lernen bereitzustellen.
Jetzt unter Bezugnahme auf 6B ist eine Wärmemanagementvorrichtung 134 (134a, 134b) dargestellt, bei der Logik 134b (z. B. ein Transistorarray und andere Integrierte-Schaltung-/IC-Komponenten) mit einem Substrat 134a (z. B. Silizium, Saphir, Galliumarsenid) gekoppelt ist. Die Logik 134b kann allgemein einen oder mehrere Aspekte des Verfahrens 30 ( 3A bis 3B) implementieren. Somit kann die Logik 134b Technologie zum Erlernen von thermischen Verhaltensinformationen eines Systems basierend auf Eingabeinformationen einschließlich Prozessorinformationen und/oder Wärmeinformationen und/oder Kühlungsinformationen und zum Bereitstellen von Informationen zum Anpassen eines Parameters eines Prozessors (z. B. Leistung, Frequenz usw.) und/oder eines Parameters eines Kühlungsuntersystems (z. B. Leistung, Lüftergeschwindigkeit, Pumpendurchsatz usw.) basierend auf den erlernten thermischen Verhaltensinformationen und den Eingabeinformationen beinhalten. Bei manchen Ausführungsformen können die Eingabeinformationen Bestärkungsinformationen beinhalten und die Logik 134b kann ferner dazu ausgelegt sein, die thermischen Verhaltensinformationen des Systems basierend auf den Bestärkungsinformationen zu erlernen. Die Bestärkungsinformationen können zum Beispiel Belohnungsinformationen und/oder Bestrafungsinformationen beinhalten. Bei manchen Ausführungsformen kann die Logik 134b dazu ausgelegt sein, das thermische Verhalten des Systems basierend auf Anpassungen zum Erhöhen der Belohnungsinformationen und zum Verringern der Bestrafungsinformationen zu erlernen. Erhöhte Belohnungsinformationen können zum Beispiel erhöhten Prozessorfrequenzen und/oder reduzierter aktiver Kühlung entsprechen und erhöhte Bestrafungsinformationen können Prozessortemperaturen über einer Schwellentemperatur entsprechen. Bei manchen Ausführungsformen kann die Logik 134b ferner dazu ausgelegt sein, einen durch tiefe Bestärkung lernenden Agenten mit Q-Lernen bereitzustellen. Bei einem Beispiel ist die Vorrichtung 134 ein Halbleiter-Die, -Chip und/oder -Package.
7 veranschaulicht einen Prozessorkern 200 gemäß einer Ausführungsform. Der Prozessorkern 200 kann der Kern für eine beliebige Art von Prozessor sein, wie etwa einen Mikroprozessor, einen eingebetteten Prozessor, einen Digitalsignalprozessor (DSP), einen Netzwerkprozessor oder eine andere Einrichtung zum Ausführen von Code. Obwohl nur ein Prozessorkern 200 in 7 veranschaulicht ist, kann ein Verarbeitungselement alternativ dazu mehr als einen des in 7 veranschaulichten Prozessorkerns 200 beinhalten. Der Prozessorkern 200 kann ein Single-Thread-Kern sein oder für mindestens eine Ausführungsform kann der Prozessorkern 200 in dem Sinne Multithreaded sein, dass er mehr als einen Hardware-Thread-Kontext (oder „Logikprozessor“) pro Kern beinhalten kann.
7 veranschaulicht auch einen Speicher 270, der mit dem Prozessorkern 200 gekoppelt ist. Der Speicher 270 kann ein beliebiger einer breiten Vielfalt von Speichern sein (einschließlich verschiedener Schichten von Speicherhierarchie), wie Fachleuten bekannt sind oder anderweitig zur Verfügung stehen. Der Speicher 270 kann eine oder mehrere Anweisungen von Code 213 beinhalten, die durch den Prozessorkern 200 auszuführen sind, wobei der Code 213 einen oder mehrere Aspekte des Verfahrens 30 (3A bis 3B), wie schon besprochen, implementieren kann. Der Prozessorkern 200 folgt einer Programmsequenz von Anweisungen, die durch den Code 213 angegeben wird. Jede Anweisung kann in einen Frontendabschnitt 210 eintreten und durch einen oder mehrere Decodierer 220 verarbeitet werden. Der Decodierer 220 kann als seine Ausgabe eine Mikrooperation erzeugen, wie etwa eine Mikrooperation mit fester Breite in einem vordefinierten Format, oder kann andere Anweisungen, Mikroanweisungen oder Steuersignale erzeugen, die die ursprüngliche Codeanweisung widerspiegeln. Der veranschaulichte Frontendabschnitt 210 beinhaltet auch Registerumbenennungslogik 225 und Scheduling-Logik 230, die allgemein Ressourcen zuweisen und die Operation entsprechend der Umwandlungsanweisung zur Ausführung in eine Warteschlange setzen.
Der Prozessorkern 200 ist als eine Ausführungslogik 250 mit einem Satz von Ausführungseinheiten 255-1 bis 255-N enthaltend dargestellt. Manche Ausführungsformen können eine Anzahl von Ausführungseinheiten beinhalten, die spezifischen Funktionen oder Sätzen von Funktionen dediziert sind. Andere Ausführungsformen können nur eine Ausführungseinheit oder eine Ausführungseinheit, die eine spezielle Funktion durchführen kann, beinhalten. Die veranschaulichte Ausführungslogik 250 führt die durch die Codeanweisungen spezifizierten Operationen durch.
Nach Abschluss der Ausführung der durch die Codeanweisungen spezifizierten Operationen legt eine Backend-Logik 260 die Anweisungen des Codes 213 still. Bei einer Ausführungsform ermöglicht der Prozessorkern 200 eine nicht reihenfolgegetreue Ausführung, erfordert aber eine reihenfolgegetreue Stilllegung von Anweisungen. Eine Stilllegungslogik 265 kann eine Vielfalt von Formen annehmen, wie Fachleuten bekannt ist (z. B. Umordnungspuffer oder dergleichen). Auf diese Art und Weise wird der Prozessorkern 200 während der Ausführung des Codes 213 zumindest hinsichtlich der durch den Decodierer erzeugten Ausgabe, den Hardwareregistern und Tabellen, die durch die Registerumbenennungslogik 225 genutzt werden, und beliebiger Register (nicht dargestellt), die durch die Ausführungslogik 250 modifiziert werden, transformiert.
Obwohl nicht in 7 veranschaulicht, kann ein Verarbeitungselement andere Elemente auf dem Chip mit dem Prozessorkern 200 beinhalten. Ein Verarbeitungselement kann zum Beispiel Speichersteuerlogik zusammen mit dem Prozessorkern 200 beinhalten. Das Verarbeitungselement kann E/A-Steuerlogik beinhalten und/oder kann E/A-Steuerlogik beinhalten, die mit der Speichersteuerlogik integriert ist. Das Verarbeitungselement kann auch einen oder mehrere Caches beinhalten.
Jetzt unter Bezugnahme auf 8 ist ein Blockdiagramm einer Ausführungsform eines Systems 1000 gemäß einer Ausführungsform dargestellt. In 8 ist ein Mehrprozessorsystem 1000 dargestellt, das ein erstes Verarbeitungselement 1070 und ein zweites Verarbeitungselement 1080 beinhaltet. Obwohl zwei Verarbeitungselemente 1070 und 1080 dargestellt sind, soll verstanden werden, dass eine Ausführungsform des Systems 1000 auch nur ein derartiges Verarbeitungselement beinhalten kann.
Das System 1000 ist als ein Punkt-zu-Punkt-Interconnect-System veranschaulicht, bei dem das erste Verarbeitungselement 1070 und das zweite Verarbeitungselement 1080 über ein Punkt-zu-Punkt-Interconnect 1050 gekoppelt sind. Es sollte verstanden werden, dass beliebige oder alle der in 8 veranschaulichten Interconnects als ein Multidrop-Bus anstelle eines Punkt-zu-Punkt-Interconnects implementiert werden können.
Wie in 8 dargestellt, kann sowohl das Verarbeitungselement 1070 als auch 1080 Mehrkernprozessoren einschließlich erster und zweiter Prozessorkerne (d. h. Prozessorkerne 1074a und 1074b und Prozessorkerne 1084a und 1084b) sein. Derartige Kerne 1074a, 1074b 1084a und 1084b können dazu ausgelegt sein, Anweisungscode auf eine Art und Weise auszuführen, die der oben in Verbindung mit 7 besprochenen ähnelt.
Jedes Verarbeitungselement 1070, 1080 kann mindestens einen gemeinsam genutzten Cache 1896a, 1896b (z. B. einen statischen Direktzugriffsspeicher/SRAM) beinhalten. Der gemeinsam genutzte Cache 1896a, 1896b kann Daten (z. B. Objekte, Anweisungen) speichern, die durch eine oder mehrere Komponenten des Prozessors, wie etwa die Kerne 1074a, 1074b bzw. 1084a, 1084b, genutzt werden. Der gemeinsam genutzte Cache 1896a, 1896b kann Daten, die in einem Speicher 1032, 1034 gespeichert sind, für einen schnelleren Zugriff durch Komponenten des Prozessors lokal cachen. Bei einer oder mehreren Ausführungsformen kann der gemeinsam genutzte Cache 1896a, 1896b einen oder mehrere Mittebenen-Caches, wie etwa Ebene 2 (L2), Ebene 3 (L3), Ebene 4 (L4) oder andere Ebenen von Cache, einen Last-Level-Cache (LLC) und/oder Kombinationen davon beinhalten.
Obwohl nur mit zwei Verarbeitungselementen 1070, 1080 dargestellt, soll verstanden werden, dass der Schutzumfang der Ausführungsformen nicht derartig beschränkt ist. Bei anderen Ausführungsformen können ein oder mehrere zusätzliche Verarbeitungselemente in einem gegebenen Prozessor vorhanden sein. Alternativ dazu können ein oder mehrere Verarbeitungselemente 1070, 1080 ein Element außer einem Prozessor sein, wie etwa ein Beschleuniger oder ein feldprogrammierbares Gate-Array. Ein oder mehrere zusätzliche Verarbeitungselemente können zum Beispiel einen oder mehrere zusätzliche Prozessoren, die dieselben wie ein erster Prozessor 1070 sind, einen oder mehrere zusätzliche Prozessoren, die zu einem ersten Prozessor 1070 heterogen oder asymmetrisch sind, Beschleuniger (wie etwa z. B. Grafikbeschleuniger oder Digitalsignalverarbeitungs(DSP)-Einheiten), feldprogrammierbare Gate-Arrays oder ein beliebiges anderes Verarbeitungselement beinhalten. Es kann eine Vielfalt von Unterschieden zwischen den Verarbeitungselementen 1070, 1080 hinsichtlich eines Spektrums relevanter Metriken geben, einschließlich Architektur-, Mikroarchitektur-, Wärme- und Leistungsverbrauchscharakteristiken und dergleichen. Diese Unterschiede können sich im Endeffekt als Asymmetrie und Heterogenität zwischen den Verarbeitungselementen 1070, 1080 manifestieren. Für mindestens eine Ausführungsform können sich die verschiedenen Verarbeitungselemente 1070, 1080 in demselben Die-Package befinden.
Das erste Verarbeitungselement 1070 kann ferner Speichersteuerungslogik (MC) 1072 und Punkt-zu-Punkt(P-P)-Schnittstellen 1076 und 1078 beinhalten. Gleichermaßen kann das zweite Verarbeitungselement 1080 eine MC 1082 und P-P-Schnittstellen 1086 und 1088 beinhalten. Wie in 8 dargestellt, koppeln die MCs 1072 und 1082 die Prozessoren mit jeweiligen Speichern, nämlich einem Speicher 1032 und einem Speicher 1034, die Teile eines Hauptspeichers sein können, der lokal an den jeweiligen Prozessoren angebracht ist. Obwohl die MC 1072 und 1082 als in die Verarbeitungselemente 1070, 1080 integriert veranschaulicht ist, kann die MC-Logik für alternative Ausführungsformen eine diskrete Logik außerhalb der Verarbeitungselemente 1070, 1080 sein, anstatt in diese integriert zu sein.
Das erste Verarbeitungselement 1070 und das zweite Verarbeitungselement 1080 können über P-P-Interconnects 1076 bzw. 1086 mit einem E/A-Untersystem 1090 gekoppelt sein. Wie in 8 dargestellt, beinhaltet das E/A-Untersystem 1090 eine TEE 1097 (z. B. Sicherheitssteuerung) und P-P-Schnittstellen 1094 und 1094. Des Weiteren beinhaltet das E/A-Untersystem 1090 eine Schnittstelle 1092 zum Koppeln des E/A-Untersystems 1090 mit einer Hochleistungs-Grafik-Engine 1038. Bei einer Ausführungsform kann ein Bus 1094 verwendet werden, um die Grafik-Engine 1038 mit dem E/A-Untersystem 1090 zu koppeln. Alternativ dazu kann ein Punkt-zu-Punkt-Interconnect diese Komponenten koppeln.
Im Gegenzug kann das E/A-Untersystem 1090 über eine Schnittstelle 1096 mit einem ersten Bus 1016 gekoppelt sein. Bei einer Ausführungsform kann der erste Bus 1016 ein Peripheral-Component-Interconnect(PCI)-Bus oder ein Bus, wie etwa ein PCI-Express-Bus oder ein anderer Drittgeneration-E/A-Interconnect-Bus sein, obwohl der Schutzumfang der Ausführungsformen nicht derartig beschränkt ist.
Wie in 8 dargestellt, können verschiedene E/A-Einrichtungen 1014 (z. B. Kameras, Sensoren) mit dem ersten Bus 1016 zusammen mit einer Busbrücke 1018, die den ersten Bus 1016 mit einem zweiten Bus 1020 koppeln kann, gekoppelt sein. Bei einer Ausführungsform kann der zweite Bus 1020 ein Low-Pin-Count(LPC)-Bus sein. Verschiedene Einrichtungen können mit dem zweiten Bus 1020 gekoppelt sein, einschließlich zum Beispiel bei einer Ausführungsform einer Tastatur/Maus 1012, Netzwerksteuerungen/einer oder mehreren Kommunikationseinrichtungen 1026 (die im Gegenzug in Kommunikation mit einem Computernetzwerk stehen können) und einer Datenspeicherungseinheit 1019, wie etwa einer Festplatte oder einer anderen Massenspeicherungseinrichtung, die Code 1030 beinhalten kann. Der Code 1030 kann Anweisungen zum Durchführen von Ausführungsformen eines oder mehrerer der oben beschriebenen Verfahren beinhalten. Somit kann der veranschaulichte Code 1030 einen oder mehrere Aspekte des Verfahrens 30 (3A bis 3B), wie schon besprochen, implementieren und kann dem Code 213 (7), wie schon besprochen, ähneln. Des Weiteren kann eine Audio-E/A 1024 mit dem zweiten Bus 1020 gekoppelt sein.
Es ist anzumerken, dass andere Ausführungsformen in Betracht gezogen werden. Anstelle der Punkt-zu-Punkt-Architektur von 8 kann ein System zum Beispiel einen Multidrop-Bus oder eine andere derartige Kommunikationstopologie implementieren.
Zusätzliche Anmerkungen und Beispiele:
Beispiel 1 kann ein elektronisches Verarbeitungssystem beinhalten, das Folgendes umfasst: einen Prozessor, einen Speicher, der kommunikativ mit dem Prozessor gekoppelt ist, einen Sensor, der kommunikativ mit dem Prozessor gekoppelt ist, ein Kühlungsuntersystem, das kommunikativ mit dem Prozessor gekoppelt ist, und einen Maschinenlernagenten, der kommunikativ mit dem Prozessor, dem Sensor und dem Kühlungsuntersystem gekoppelt ist, wobei der Maschinenlernagent Logik zum Erlernen von thermischen Verhaltensinformationen des Systems basierend auf Informationen vom Prozessor und/oder vom Sensor und/oder vom Kühlungsuntersystem und zum Anpassen eines Parameters des Prozessors und/oder eines Parameters des Kühlungsuntersystems basierend auf den erlernten thermischen Verhaltensinformationen und Informationen vom Prozessor und/oder vom Sensor und/oder vom Kühlungsuntersystem beinhaltet.
Beispiel 2 kann das System des Beispiels 1 beinhalten, wobei die Logik ferner ausgelegt ist zum Erlernen der thermischen Verhaltensinformationen des Systems basierend auf Bestärkungsinformationen vom Prozessor und/oder vom Sensor und/oder vom Kühlungsuntersystem.
Beispiel 3 kann das System des Beispiels 2 beinhalten, wobei die Bestärkungsinformationen Belohnungsinformationen und/oder Bestrafungsinformationen beinhalten.
Beispiel 4 kann das System des Beispiels 3 beinhalten, wobei die Logik ferner ausgelegt ist zum Erlernen des thermischen Verhaltens des Systems basierend auf Anpassungen zum Erhöhen der Belohnungsinformationen und zum Verringern der Bestrafungsinformationen.
Beispiel 5 kann das System des Beispiels 4 beinhalten, wobei erhöhte Belohnungsinformationen erhöhten Prozessorfrequenzen und/oder reduzierter aktiver Kühlung entsprechen und wobei erhöhte Bestrafungsinformationen Prozessortemperaturen über einer Schwellentemperatur entsprechen.
Beispiel 6 kann das System eines der Beispiele 1 bis 5 beinhalten, wobei der Maschinenlernagent einen durch tiefe Bestärkung lernenden Agenten mit Q-Lernen beinhaltet.
Beispiel 7 kann eine Halbleiter-Package-Vorrichtung beinhalten, die ein oder mehrere Substrate und Logik, die mit dem einen oder den mehreren Substraten gekoppelt ist, umfasst, wobei die Logik zumindest teilweise in konfigurierbarer Logik und/oder Hardwarelogik mit fester Funktionalität implementiert wird, wobei die mit dem einen oder den mehreren Substraten gekoppelte Logik ausgelegt ist zum Erlernen von thermischen Verhaltensinformationen eines Systems basierend auf Eingabeinformationen einschließlich Prozessorinformationen und/oder Wärmeinformationen und/oder Kühlungsinformationen und zum Bereitstellen von Informationen zum Anpassen eines Parameters eines Prozessors und/oder eines Parameters eines Kühlungsuntersystems basierend auf den erlernten thermischen Verhaltensinformationen und den Eingabeinformationen.
Beispiel 8 kann die Vorrichtung des Beispiels 7 beinhalten, wobei die Eingabeinformationen ferner Bestärkungsinformationen beinhalten, wobei die Logik ferner ausgelegt ist zum Erlernen der thermischen Verhaltensinformationen des Systems basierend auf den Bestärkungsinformationen.
Beispiel 9 kann die Vorrichtung des Beispiels 8 beinhalten, wobei die Bestärkungsinformationen Belohnungsinformationen und/oder Bestrafungsinformationen beinhalten.
Beispiel 10 kann die Vorrichtung des Beispiels 9 beinhalten, wobei die Logik ferner ausgelegt ist zum Erlernen des thermischen Verhaltens des Systems basierend auf Anpassungen zum Erhöhen der Belohnungsinformationen und zum Verringern der Bestrafungsinformationen.
Beispiel 11 kann die Vorrichtung des Beispiels 10 beinhalten, wobei erhöhte Belohnungsinformationen erhöhten Prozessorfrequenzen und/oder reduzierter aktiver Kühlung entsprechen und wobei erhöhte Bestrafungsinformationen Prozessortemperaturen über einer Schwellentemperatur entsprechen.
Beispiel 12 kann die Vorrichtung eines der Beispiele 7 bis 11 beinhalten, wobei die Logik ferner ausgelegt ist zum Bereitstellen eines durch tiefes Bestärken lernenden Agenten mit Q-Lernen.
Beispiel 13 kann die Vorrichtung eines der Beispiele 7 bis 12 beinhalten, wobei die mit dem einen oder den mehreren Substraten gekoppelte Logik Transistorkanalgebiete beinhaltet, die innerhalb des einen oder der mehreren Substrate positioniert sind.
Beispiel 14 kann ein Verfahren zum Verwalten eines thermischen Systems beinhalten, das Folgendes umfasst: Erlernen von thermischen Verhaltensinformationen eines Systems basierend auf Eingabeinformationen einschließlich Prozessorinformationen und/oder Wärmeinformationen und/oder Kühlungsinformationen und Bereitstellen von Informationen zum Anpassen eines Parameters eines Prozessors und/oder eines Parameters eines Kühlungsuntersystems basierend auf den erlernten thermischen Verhaltensinformationen und den Eingabeinformationen.
Beispiel 15 kann das Verfahren des Beispiels 14 beinhalten, wobei die Eingabeinformationen ferner Bestärkungsinformationen beinhalten, ferner umfassend Erlernen der thermischen Verhaltensinformationen des Systems basierend auf den Bestärkungsinformationen.
Beispiel 16 kann das Verfahren des Beispiels 15 beinhalten, wobei die Bestärkungsinformationen Belohnungsinformationen und/oder Bestrafungsinformationen beinhalten.
Beispiel 17 kann das Verfahren des Beispiels 16 beinhalten, ferner umfassend Erlernen des thermischen Verhaltens des Systems basierend auf Anpassungen zum Erhöhen der Belohnungsinformationen und zum Verringern der Bestrafungsinformationen.
Beispiel 18 kann das Verfahren des Beispiels 17 beinhalten, wobei erhöhte Belohnungsinformationen erhöhten Prozessorfrequenzen und/oder reduzierter aktiver Kühlung entsprechen und wobei erhöhte Bestrafungsinformationen Prozessortemperaturen über einer Schwellentemperatur entsprechen.
Beispiel 19 kann das Verfahren eines der Beispiele 14 bis 18 beinhalten, ferner umfassend Bereitstellen eines durch tiefe Bestärkung lernenden Agenten mit Q-Lernen.
Beispiel 20 kann mindestens ein computerlesbares Speicherungsmedium beinhalten, das einen Satz von Anweisungen umfasst, die bei Ausführung durch eine Recheneinrichtung bewirken, dass die Recheneinrichtung thermische Verhaltensinformationen eines Systems basierend auf Eingabeinformationen einschließlich Prozessorinformationen und/oder Wärmeinformationen und/oder Kühlungsinformationen erlernt und Informationen zum Anpassen eines Parameters eines Prozessors und/oder eines Parameters eines Kühlungsuntersystems basierend auf den erlernten thermischen Verhaltensinformationen und den Eingabeinformationen bereitstellt.
Beispiel 21 kann das mindestens eine computerlesbare Speicherungsmedium des Beispiels 20 beinhalten, wobei die Eingabeinformationen ferner Bestärkungsinformationen beinhalten, umfassend einen weiteren Satz von Anweisungen, die bei Ausführung durch die Recheneinrichtung bewirken, dass die Recheneinrichtung die thermischen Verhaltensinformationen des Systems basierend auf den Bestärkungsinformationen erlernt.
Beispiel 22 kann das mindestens eine computerlesbare Speicherungsmedium des Beispiels 21 beinhalten, wobei die Bestärkungsinformationen Belohnungsinformationen und/oder Bestrafungsinformationen beinhalten.
Beispiel 23 kann das mindestens eine computerlesbare Speicherungsmedium des Beispiels 22 beinhalten, umfassend einen weiteren Satz von Anweisungen, die bei Ausführung durch die Recheneinrichtung bewirken, dass die Recheneinrichtung das thermische Verhalten des Systems basierend auf Anpassungen zum Erhöhen der Belohnungsinformationen und zum Verringern der Bestrafungsinformationen erlernt.
Beispiel 24 kann das mindestens eine computerlesbare Speicherungsmedium des Beispiels 23 beinhalten, wobei erhöhte Belohnungsinformationen erhöhten Prozessorfrequenzen und/oder reduzierter aktiver Kühlung entsprechen und wobei erhöhte Bestrafungsinformationen Prozessortemperaturen über einer Schwellentemperatur entsprechen.
Beispiel 25 kann das mindestens eine computerlesbare Speicherungsmedium eines der Beispiele 20 bis 24 beinhalten, umfassend einen weiteren Satz von Anweisungen, die bei Ausführung durch die Recheneinrichtung bewirken, dass die Recheneinrichtung einen durch tiefe Bestärkung lernenden Agenten mit Q-Lernen bereitstellt.
Beispiel 26 kann eine Wärmemanagementvorrichtung beinhalten, umfassend Mittel zum Erlernen von thermischen Verhaltensinformationen eines Systems basierend auf Eingabeinformationen einschließlich Prozessorinformationen und/oder Wärmeinformationen und/oder Kühlungsinformationen und Mittel zum Bereitstellen von Informationen zum Anpassen eines Parameters eines Prozessors und/oder eines Parameters eines Kühlungsuntersystems basierend auf den erlernten thermischen Verhaltensinformationen und den Eingabeinformationen.
Beispiel 27 kann die Vorrichtung des Beispiels 26 beinhalten, wobei die Eingabeinformationen ferner Bestärkungsinformationen beinhalten, ferner umfassend Mittel zum Erlernen der thermischen Verhaltensinformationen des Systems basierend auf den Bestärkungsinformationen.
Beispiel 28 kann die Vorrichtung des Beispiels 27 beinhalten, wobei die Bestärkungsinformationen Belohnungsinformationen und/oder Bestrafungsinformationen beinhalten.
Beispiel 29 kann die Vorrichtung des Beispiels 28 beinhalten, ferner umfassend Mittel zum Erlernen des thermischen Verhaltens des Systems basierend auf Anpassungen zum Erhöhen der Belohnungsinformationen und zum Verringern der Bestrafungsinformationen.
Beispiel 30 kann die Vorrichtung des Beispiels 29 beinhalten, wobei erhöhte Belohnungsinformationen erhöhten Prozessorfrequenzen und/oder reduzierter aktiver Kühlung entsprechen und wobei erhöhte Bestrafungsinformationen Prozessortemperaturen über einer Schwellentemperatur entsprechen.
Beispiel 31 kann die Vorrichtung eines der Beispiele 26 bis 30 beinhalten, ferner umfassend Mittel zum Bereitstellen eines durch tiefe Bestärkung lernenden Agenten mit Q-Lernen.
Ausführungsformen sind zur Verwendung mit allen Arten von Halbleiter-Integrierte-Schaltung(„IC“)-Chips anwendbar. Beispiele für diese IC-Chips beinhalten unter anderem Prozessoren, Steuerungen, Chipsatzkomponenten, programmierbare Logikarrays (PLAs), Speicherchips, Netzwerkchips, Systeme-auf-Chip (SoCs), SSD/NAND-Steuerung-ASICs und dergleichen. Zusätzlich dazu sind in manchen der Zeichnungen Signalleiterleitungen mit Linien repräsentiert. Manche können anders sein, um mehr Signalpfadbestandteile anzugeben, können eine Nummernbezeichnung aufweisen, um eine Anzahl von konstituierenden Signalpfaden anzugeben, und/oder können Pfeile an einem oder mehreren Enden aufweisen, um eine Hauptinformationsflussrichtung anzugeben. Dies sollte jedoch nicht auf eine beschränkende Art und Weise aufgefasst werden. Stattdessen können derartige hinzugefügte Einzelheiten in Verbindung mit einem oder mehreren Ausführungsbeispielen verwendet werden, um ein leichteres Verständnis einer Schaltung zu ermöglichen. Jegliche repräsentierten Signalleitungen, egal, ob sie zusätzliche Informationen aufweisen oder nicht, können tatsächlich ein oder mehrere Signale umfassen, die in mehrere Richtungen laufen können, und können mit einer beliebigen geeigneten Art von Signalschema implementiert werden, z. B. digitalen oder analogen Leitungen, die mit Differenzpaaren, optischen Faserleitungen und/oder Single-Ended-Leitungen implementiert werden.
Beispielhafte Größen/Modelle/Werte/Bereiche sind möglicherweise gegeben worden, obwohl Ausführungsformen nicht auf dieselben beschränkt sind. Da Herstellungstechniken (z. B. Photolithographie) im Laufe der Zeit ausreifen, wird erwartet, dass Einrichtungen mit kleinerer Größe hergestellt werden könnten. Zusätzlich dazu sind möglicherweise wohlbekannte Leistungs-/Masseverbindungen mit IC-Chips und anderen Komponenten zur Vereinfachung der Veranschaulichung und Besprechung und, um gewisse Aspekte der Ausführungsformen nicht zu verundeutlichen, in den Figuren dargestellt oder nicht. Des Weiteren sind Anordnungen möglicherweise in Blockdiagrammform dargestellt, um eine Verundeutlichung von Ausführungsformen zu vermeiden, und auch hinsichtlich der Tatsache, dass Einzelheiten bezüglich der Implementierung derartiger Blockdiagrammanordnungen stark von der Plattform abhängen, in der die Ausführungsform zu implementieren ist, d. h. derartige Einzelheiten sollten gut im Bereich eines Fachmanns liegen. Wenn spezifische Einzelheiten (z. B. Schaltungen) dargelegt sind, um Ausführungsbeispiele zu beschreiben, sollte einem Fachmann ersichtlich sein, dass Ausführungsformen ohne die oder mit einer Variation dieser spezifischen Einzelheiten umgesetzt werden können. Die Beschreibung ist somit als veranschaulichend anstatt beschränkend anzusehen.
Der Ausdruck „gekoppelt“ kann hierin verwendet werden, um sich auf eine beliebige Art von direkter oder indirekter Beziehung zwischen den Komponenten infrage zu beziehen und kann bei elektrischen, mechanischen, fluiden, optischen, elektromagnetischen, elektromechanischen oder anderen Verbindungen angewendet werden. Zusätzlich dazu können die Ausdrücke „erster“, „zweiter“ usw. hierin verwendet werden, nur um eine Besprechung zu erleichtern, und führen keine spezielle zeitliche oder chronologische Signifikanz, insofern nichts anderes anderweitig angegeben ist.
Wie in dieser Anmeldung und in den Ansprüchen verwendet, kann eine Liste von Gegenständen, die durch den Ausdruck „ein oder mehr von“ verbunden sind, eine beliebige Kombination der aufgelisteten Ausdrücke bedeuten. Sowohl die Phrase „ein oder mehrere von A, B und C“ als auch die Phrase „ein oder mehrere von A, B oder C“ können zum Beispiel A; B; C; A und B; A und C; B und C; oder A, B und C bedeuten.
Fachleuten wird aus der vorstehenden Beschreibung ersichtlich werden, dass die breiten Techniken der Ausführungsformen in einer breiten Vielfalt von Formen implementiert werden können. Obwohl die Ausführungsformen in Verbindung mit speziellen Beispielen dafür beschrieben worden sind, sollte daher der wahre Schutzumfang der Ausführungsformen nicht derartig beschränkt werden, da andere Modifikationen dem Fachmann bei einer Studie der Zeichnungen, der Spezifikation und der folgenden Ansprüche ersichtlich werden.

Claims

Elektronisches Verarbeitungssystem, umfassend: einen Prozessor; einen Speicher, der kommunikativ mit dem Prozessor gekoppelt ist; einen Wärmesensor, der kommunikativ mit dem Prozessor gekoppelt ist; ein aktives Kühlungsuntersystem, das kommunikativ mit dem Prozessor gekoppelt ist; und einen Maschinenlernagenten, der kommunikativ mit dem Prozessor, dem Wärmesensor und dem aktiven Kühlungsuntersystem gekoppelt ist, wobei der Maschinenlernagent Logik beinhaltet, die ausgelegt ist zum: Erlernen von thermischen Verhaltensinformationen des Systems basierend auf Informationen vom Prozessor und/oder vom Wärmesensor und/oder vom aktiven Kühlungsuntersystem, und Anpassen eines Parameters des Prozessors und/oder eines Parameters des aktiven Kühlungsuntersystems basierend auf den erlernten thermischen Verhaltensinformationen und Informationen vom Prozessor und/oder vom Wärmesensor und/oder vom aktiven Kühlungsuntersystem.
System nach Anspruch 1, wobei die Logik ferner ausgelegt ist zum: Erlernen der thermischen Verhaltensinformationen des Systems basierend auf Bestärkungsinformationen vom Prozessor und/oder vom Wärmesensor und/oder vom aktiven Kühlungsuntersystem.
System nach Anspruch 2, wobei die Bestärkungsinformationen Belohnungsinformationen und/oder Bestrafungsinformationen beinhalten.
System nach Anspruch 3, wobei die Logik ferner ausgelegt ist zum: Erlernen des thermischen Verhaltens des Systems basierend auf Anpassungen zum Erhöhen der Belohnungsinformationen und zum Verringern der Bestrafungsinformationen.
System nach Anspruch 4, wobei erhöhte Belohnungsinformationen erhöhten Prozessorfrequenzen und/oder reduzierter aktiver Kühlung entsprechen und wobei erhöhte Bestrafungsinformationen Prozessortemperaturen über einer Schwellentemperatur entsprechen.
System nach einem der Ansprüche 1 bis 5, wobei der Maschinenlernagent einen durch tiefe Bestärkung lernenden Agenten mit Q-Lernen beinhaltet.
Halbleiter-Package-Vorrichtung, umfassend: ein oder mehrere Substrate; und Logik, die mit dem einen oder den mehreren Substraten gekoppelt ist, wobei die Logik zumindest teilweise in konfigurierbarer Logik und/oder Hardwarelogik mit fester Funktionalität implementiert ist, wobei die mit dem einen oder den mehreren Substraten gekoppelte Logik ausgelegt ist zum: Erlernen von thermischen Verhaltensinformationen eines Systems basierend auf Eingabeinformationen einschließlich Prozessorinformationen und/oder Wärmeinformationen und/oder Aktivkühlungsinformationen, und Bereitstellen von Informationen zum Anpassen eines Parameters eines Prozessors und/oder eines Parameters eines aktiven Kühlungsuntersystems basierend auf den erlernten thermischen Verhaltensinformationen und den Eingabeinformationen.
Vorrichtung nach Anspruch 7, wobei die Eingabeinformationen ferner Bestärkungsinformationen beinhalten, wobei die Logik ferner ausgelegt ist zum: Erlernen der thermischen Verhaltensinformationen des Systems basierend auf den Bestärkungsinformationen.
Vorrichtung nach Anspruch 8, wobei die Bestärkungsinformationen Belohnungsinformationen und/oder Bestrafungsinformationen beinhalten.
Vorrichtung nach Anspruch 9, wobei die Logik ferner ausgelegt ist zum: Erlernen des thermischen Verhaltens des Systems basierend auf Anpassungen zum Erhöhen der Belohnungsinformationen und zum Verringern der Bestrafungsinformationen.
Vorrichtung nach Anspruch 10, wobei erhöhte Belohnungsinformationen erhöhten Prozessorfrequenzen und/oder reduzierter aktiver Kühlung entsprechen und wobei erhöhte Bestrafungsinformationen Prozessortemperaturen über einer Schwellentemperatur entsprechen.
Vorrichtung nach einem der Ansprüche 7 bis 11, wobei die Logik ferner ausgelegt ist zum: Bereitstellen eines durch tiefe Bestärkung lernenden Agenten mit Q-Lernen.
Vorrichtung nach einem der Ansprüche 7 bis 12, wobei die mit dem einen oder den mehreren Substraten gekoppelte Logik Transistorkanalgebiete beinhaltet, die innerhalb des einen oder der mehreren Substrate positioniert sind.
Verfahren zum Verwalten eines thermischen Systems, umfassend: Erlernen von thermischen Verhaltensinformationen eines Systems basierend auf Eingabeinformationen einschließlich Prozessorinformationen und/oder Wärmeinformationen und/oder Aktivkühlungsinformationen; und Bereitstellen von Informationen zum Anpassen eines Parameters eines Prozessors und/oder eines Parameters eines aktiven Kühlungsuntersystems basierend auf den erlernten thermischen Verhaltensinformationen und den Eingabeinformationen.
Verfahren nach Anspruch 14, wobei die Eingabeinformationen ferner Bestärkungsinformationen beinhalten, ferner umfassend: Erlernen der thermischen Verhaltensinformationen des Systems basierend auf den Bestärkungsinformationen.
Verfahren nach Anspruch 15, wobei die Bestärkungsinformationen Belohnungsinformationen und/oder Bestrafungsinformationen beinhalten.
Verfahren nach Anspruch 16, ferner umfassend: Erlernen des thermischen Verhaltens des Systems basierend auf Anpassungen zum Erhöhen der Belohnungsinformationen und zum Verringern der Bestrafungsinformationen.
Verfahren nach Anspruch 17, wobei erhöhte Belohnungsinformationen erhöhten Prozessorfrequenzen und/oder reduzierter aktiver Kühlung entsprechen und wobei erhöhte Bestrafungsinformationen Prozessortemperaturen über einer Schwellentemperatur entsprechen.
Verfahren nach einem der Ansprüche 14 bis 18, ferner umfassend: Bereitstellen eines durch tiefe Bestärkung lernenden Agenten mit Q-Lernen.
Computerlesbares Speicherungsmedium bzw. computerlesbare Speicherungsmedien, die einen Satz von Anweisungen umfassen, der bei Ausführung durch eine Recheneinrichtung die Recheneinrichtung zu Folgendem veranlassen: Erlernen von thermischen Verhaltensinformationen eines Systems basierend auf Eingabeinformationen einschließlich Prozessorinformationen und/oder Wärmeinformationen und/oder Aktivkühlungsinformationen; und Bereitstellen von Informationen zum Anpassen eines Parameters eines Prozessors und/oder eines Parameters eines aktiven Kühlungsuntersystems basierend auf den erlernten thermischen Verhaltensinformationen und den Eingabeinformationen.
Computerlesbares Speicherungsmedium bzw. computerlesbare Speicherungsmedien nach Anspruch 20, wobei die Eingabeinformationen ferner Bestärkungsinformationen beinhalten, umfassend einen weiteren Satz von Anweisungen, die bei Ausführung durch die Recheneinrichtung die Recheneinrichtung zu Folgendem veranlassen: Erlernen der thermischen Verhaltensinformationen des Systems basierend auf den Bestärkungsinformationen.
Computerlesbares Speicherungsmedium bzw. computerlesbare Speicherungsmedien nach Anspruch 21, wobei die Bestärkungsinformationen Belohnungsinformationen und/oder Bestrafungsinformationen beinhalten.
Computerlesbares Speicherungsmedium bzw. computerlesbare Speicherungsmedien nach Anspruch 22, umfassend einen weiteren Satz von Anweisungen, die bei Ausführung durch die Recheneinrichtung die Recheneinrichtung zu Folgendem veranlassen: Erlernen des thermischen Verhaltens des Systems basierend auf Anpassungen zum Erhöhen der Belohnungsinformationen und zum Verringern der Bestrafungsinformationen.
Computerlesbares Speicherungsmedium bzw. computerlesbare Speicherungsmedien nach Anspruch 23, wobei erhöhte Belohnungsinformationen erhöhten Prozessorfrequenzen und/oder reduzierter aktiver Kühlung entsprechen und wobei erhöhte Bestrafungsinformationen Prozessortemperaturen über einer Schwellentemperatur entsprechen.
Computerlesbares Speicherungsmedium bzw. computerlesbare Speicherungsmedien nach einem der Ansprüche 20 bis 24, umfassend einen weiteren Satz von Anweisungen, die bei Ausführung durch die Recheneinrichtung die Recheneinrichtung zu Folgendem veranlassen: Bereitstellen eines durch tiefe Bestärkung lernenden Agenten mit Q-Lernen.