JPH0668056A - 並列計算機システム - Google Patents

並列計算機システム

Info

Publication number
JPH0668056A
JPH0668056A JP22123592A JP22123592A JPH0668056A JP H0668056 A JPH0668056 A JP H0668056A JP 22123592 A JP22123592 A JP 22123592A JP 22123592 A JP22123592 A JP 22123592A JP H0668056 A JPH0668056 A JP H0668056A
Authority
JP
Japan
Prior art keywords
test
instruction
parallel computer
computer system
processor
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.)
Pending
Application number
JP22123592A
Other languages
English (en)
Inventor
Yuji Sato
裕二 佐藤
Mitsuo Asai
光男 浅井
Katsunari Shibata
克成 柴田
Takahiro Sakaguchi
隆宏 坂口
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.)
Hitachi Ltd
Original Assignee
Hitachi 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 Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP22123592A priority Critical patent/JPH0668056A/ja
Publication of JPH0668056A publication Critical patent/JPH0668056A/ja
Pending legal-status Critical Current

Links

Landscapes

  • Advance Control (AREA)

Abstract

(57)【要約】 【構成】複数のニューロチップ110からなるニューロ
チップアレイ100,ニューロチップアレイ100を制
御するマイクロコントローラ200,マイクロコントロ
ーラ200を制御するホストコンピュータ400および
外部記憶装置300からシステムは構成される。ニュー
ロチップアレイ100はテスト用のマイクロ命令を分散
記憶し、NOP時を利用して通常動作用のマイクロ命令
210に替えてテスト用のマイクロ命令を選択実行可能
としている。 【効果】システム外部からテストデータを入力するため
の時間は要素プロセッサ(ニューロン)数に依存せず不
要であり、また、オンライン(稼働)中のNOP状態を利
用してテストを実行しているために、故障を早期に検出
でき、かつテスト時間は見かけ上ユーザには見えず、オ
ンライン中の自己修復も可能である。

Description

【発明の詳細な説明】
【0001】
【産業上の利用分野】本発明は、並列計算機システムに
係り、特に複数のプロセッサ(ニューロン)から構成さ
れるニューロコンピュータに関する。
【0002】
【従来の技術】現在ニューロコンピュータの一般化され
たテスト方式はない。ニューロコンピュータを並列プロ
セッサの一種と考えた場合、並列プロセッサをテストす
る方法としては、テスタを用いた故障解析が一般的であ
る。しかし、テスタは高価であり、表面実装部品などテ
スト・プローブが立てにくいICが存在するなどの問題
がある。この対策として、バウンダリ・スキャンの適用
が考えられる。バウンダリ・スキャンはJTAG(Joint
Test Action Group)が提案したプリント回路基盤のテ
スト容易化手法の標準規格である。
【0003】図9に日経エレクトロニクス誌,198
9.12.11(no.488),第316頁に記載されてい
る例を示す。同図において、700はボード、510−
1〜510−4はLSI,610−1〜610−5はL
SI間の配線である。515はテストのために付加した
シフトレジスタ、611はテストデータを入力するため
のスキャン・イン、613−1〜613−3はテストデ
ータを通すためのスキャン・パス、612はテストデー
タを出力するためのスキャン・アウトである。バウンダ
リ・スキャンでは、LSI510−1〜510−4の全
ての入出力セルにテスト用回路(シフトレジスタ51
5)を付加する。これらのLSI510−1〜510−
4を直列につなぎ、テストデータの通り道(スキャン・
パス613−1〜613−3)を作る。エッジのコネク
タ(スキャン・イン611,スキャン・アウト612)
からLSI510−1〜510−4をアクセスする。ス
キャン・イン611からのテストデータの入力およびス
キャン・アウト612からのテストデータの出力はいず
れもシリアルに行われる。
【0004】
【発明が解決しようとする課題】従来技術では、(スキ
ャン・インからの)テストデータの入力はシリアルであ
る。従って、従来技術をニューロコンピュータに適用し
た場合、ニューロン数(要素プロセッサの数)が増加す
るのに比例して、テストデータ入力のための時間が増大
する問題がある。
【0005】一方、ニューロコンピュータの代表的な応
用分野が銀行における為替予測や証券会社における株価
予測であることを考えると、オンライン(通常動作)状
態での故障検出は重要な課題である。上記従来技術で
は、オンライン(通常動作)状態での故障検出には対応
できない。また、ニューロコンピュータのオンラインテ
ストに関する技術は報告されていない。
【0006】本発明の第1の目的は、テストデータ入力
のための時間がニューロン数(要素プロセッサの数)に
依存しないニューロコンピュータのテスト方法およびテ
ストのための要素プロセッサの構成を提供することであ
る。また、本発明の第2の目的は、ニューロコンピュー
タの特徴を活かした、オンライン(通常動作)状態での
故障検出方法を提供することにある。
【0007】
【課題を解決するための手段】上記目的を達成するため
に、システム外部からのテストデータ入力を必要としな
い、ニューロコンピュータの特徴を活かしたオンライン
(通常動作)状態での自己テスト方式を提案する。すな
わち、ニューロコンピュータでは必ずしも全ニューロン
が常に動作しないことに着目し、無操作(NOP;No O
peration)状態のニューロン(プロセッサ)を利用して
ニューロン(プロセッサ)のテストを行なう以下の方式
を提案する。
【0008】(1)各ニューロン(プロセッサ)に自己テ
スト機能、例えば、各ニューロンに演算機能テスト用の
マイクロ命令,テストデータ(もしくは、テストパター
ン(例えば、擬似ランダムパターン)生成手段),演算
実行後の期待値および演算結果と期待値との比較手段を
持たせる。
【0009】(2)マイクロ命令をニューロ演算制御用の
命令と制御記憶装置の次アドレス制御用の命令に分け、
次アドレス制御用の命令実行時(本来、各ニューロンは
NOP状態)に演算器群をテストする命令を実行する手段
と各ニューロン(プロセッサ)内には、テストデータ,
演算実行後の期待値および演算結果と期待値との比較手
段を持たせる。
【0010】
【作用】本発明では、 (1)各ニューロン(プロセッサ)に自己テスト機能を持
たせる。例えば、各ニューロンに演算機能テスト用のマ
イクロ命令,テストデータ(もしくは、テストパターン
(例えば、擬似ランダムパターン)生成手段),演算実
行後の期待値および演算結果と期待値との比較手段を持
つ。従って、システム内の全ニューロン(プロセッサ)
を必要としない処理の場合、本来NOP状態のニューロ
ン(プロセッサ)においてテスト用の命令を実行し期待
値と比較することにより、ニューロンの演算機能のテス
トが可能である。本テスト法は、予めテストデータを各
ニューロン(プロセッサ)に分散して記憶しているた
め、システム外部からテストデータを入力する時間は不
要である。ニューロコンピュータを構成するLSIに、
テストデータを入力するためのピンも不要である。ま
た、オンライン(通常動作)中にテストを実行している
ため、故障を早期に検出できる。
【0011】(2)マイクロ命令をニューロ演算制御用の
命令と制御記憶装置の次アドレス制御用の命令に分け、
次アドレス制御用の命令実行時に演算器群をテストする
命令を実行する手段を持つ。また、各ニューロン(プロ
セッサ)内には、テストデータ,演算実行後の期待値お
よび演算結果と期待値との比較手段を持つ。従って、次
アドレス制御用の命令実行時には、本来、NOP状態の
ニューロン(プロセッサ)でテスト用の命令を実行し期
待値と比較することにより、ニューロンの演算機能のテ
ストが可能である。本テスト法は、予めテストデータを
各ニューロン(プロセッサ)に分散して記憶しているた
め、システム外部からテストデータを入力する時間は不
要である。ニューロコンピュータを構成するLSI に、テ
ストデータを入力するためのピンも不要である。また、
オンライン(通常動作)中にニューロンの演算機能のテ
ストを行なうことが可能である。
【0012】この実現手段は、基本的にはNOP状態の
プロセッサ(ニューロン)を検査対象とする。ただし、
アプリケーションあるいはタスク(処理)により割り当
てられるプロセッサ(ニューロン)が不特定(ランダ
ム)であることを考慮すると、サンプルテストを実行し
ていることになる。また、長期的には全システムを検査
対象とみなすことができる。この手法はオフラインテス
トに用いることも可能である。
【0013】
【実施例】図1は、本発明の一実施例を示すためのニュ
ーロコンピュータのシステムブロック図である。図1に
おいて、100はニューロチップアレイ、110はニュ
ーロチップアレイを構成するニューロチップである。ニ
ューロチップは1個以上の要素プロセッサ(以下PEと
称す)から構成され、各PEは1個以上のニューロン
(回路)を論理的に実現可能な構成となっている。ニュ
ーロチップアレイ100は、例えば、複数のボードもしく
はWSI(Wafer Scale Integration)により物理的に実
現される。200はニューロチップアレイを制御するマ
イクロコントローラ、300はニューロ演算に必要なデ
ータ(例えば、入力データ,教師信号(出力期待値),
学習実行回数等のパラメータ情報)を格納する外部記憶
装置、400はマイクロコントローラ200を制御する
ホストコンピュータである。
【0014】ホストコンピュータ400は、例えば、制
御信号410によりマイクロコントローラ200の動作
開始・終了を指示する。また、マイクロコントローラ2
00を介して、信号線420により外部記憶装置300
またはニューロチップアレイ100との間でデータの送
受信を行なう。
【0015】マイクロコントローラ200は、マイクロ
命令210により、ニューロチップアレイ100の制御
(例えば演算機能の指定)を行なう。対象となるニュー
ロンチップおよびPE(ニューロン)の指定はチップセ
レクト信号CSおよびニューロンセレクト信号NS22
0で行なう(図1では、ニューロンセレクト信号NSの
一部分(例えば上位数ビット)をチップセレクト信号C
Sとして用いることを仮定しているためにCSとNSを
同一信号線220で表している。別信号として実現する
ことも可能である。)。外部記憶装置への読み/書きの
為のアドレス情報はアドレス信号240により行なう。
【0016】マイクロコントローラ200とニューロチ
ップアレイ100との間のデータの送受信はDin/D
out信号230により行なう。また、マイクロコント
ローラ200は、ニューロチップアレイ100からの故
障検出信号191により、ホストコンピュータ400に
故障対策指示信号250を出力する。ホストコンピュー
タ400は故障対策指示信号250に従い、例えば故障
発生状況を表示する。あるいは、故障ユニット(例えば
PE)を避けたタスク(処理)の再割当てを行なう。
【0017】図2は、図1に示したニューロチップ11
0の一例を示すブロック図である。図2に示すニューロ
チップ110は、複数(図2では2個)の要素PE12
0,分散制御記憶140,テストデータ記憶装置150
およびチップ内故障フラグレジスタFRC180により
構成されている。
【0018】図2の特徴は、テスト用のマイクロ命令を
通常動作用のマイクロ命令210(マイクロコントロー
ラ200から入力)とは独立に各ニューロチップ110
ごとに分散配置し、かつ、通常動作用のマイクロ命令2
10とテスト用の命令を選択実行可能な点にある。分散
制御記憶140およびテストデータ記憶装置150は、
いずれも書替え可能なメモリ(例えば、RAM,EPR
OM,レジスタ等)で構成され、アプリケーションある
いはタスク(処理)により書替え可能である。図2にお
いて、要素PE120は、演算器群130,入力バッフ
ァ121,出力バッファ122,制御信号決定論理16
0およびニューロン間の結合強度である重み値を格納す
る重み値記憶装置120により構成されている。演算器
群130は、シフタ機能付き算術論理演算ユニット13
1,乗算器132,レジスタ群133,フラグレジスタ
134,PE内故障フラグレジスタFR135により構
成される。
【0019】図2を用いて動作の概略を説明する。例え
ば、CS220が1(通常動作)のとき、制御信号決定
論理160はマイクロコントローラ200から入力した
マイクロ命令210を演算器群130を制御するための
命令161として出力する。演算器群130は、制御信
号161に従い、例えば、Din230−1から入力バ
ッファ121を介して入力される他要素PE(ニューロ
ン)からの入力データと重み値記憶装置170から信号
線171を介して入力される重み値データからニューロ
ンの内部状態を計算する。あるいは、重み値の更新処理
等を行なう。他PE(ニューロン)へのデータの出力は
出力バッファ122を介してDout230−2を用い
て行なう。一方、CS220が0(チップは非選択)の
とき(あるいはCS220が1かつフラグレジスタから
の入力162が特定の値(例えば1)のとき)、制御信
号決定論理160は分散制御記憶140から信号線14
1を介して入力したテスト用のマイクロ命令を演算器群
130を制御するための命令161として出力する。演
算器群130は、制御信号161に従い、例えば、テス
トデータ記憶装置150から信号線151を介してテス
トデータを入力し、各演算器群の機能テストを行なう。
演算結果の期待値は予め、例えばREG133の一部(ア
ドレス固定)に格納しておく。テストの結果故障が検出
されない場合、FR135は初期値(例えば0)を保持
する。故障が検出された場合、FR135は値を更新(例え
ば1にセット)する。また、重み値記憶装置170内の
重み値の値を0に設定する。すなわち、故障発生PE
(ニューロン)をシステムから分離する。各PE内故障
フラグレジスタFR135の値はOR論理をとり、チッ
プ内故障フラグレジスタFRC180にセットされる。
【0020】図3は、故障検出信号191の説明図であ
る。図3において各ニューロチップ内のFRC180の
値は、信号線181を介してOR論理をとり、ニューロ
チップアレイ内故障フラグレジスタFRA190にセッ
トされる。FRA190の値は故障検出信号191とし
てマイクロコントローラ200に伝達される。マイクロ
コントローラ200は、故障検出信号191により故障
発生を検知すると、故障フラグレジスタをFRA−>F
RC−>FRと階層的に検索し、故障ユニット(ボー
ド,チップまたはPE(ニューロン))を断定する。こ
こで、FRA190,FRC180,FR135の値は、い
ずれもホストコンピュータ400から、マイクロコント
ローラ200を介して読み出し可能な構成とする。ま
た、ホストコンピュータ400に対して、故障対策指示
250を与える。ホストコンピュータ400は、故障対
策指示250の値により、例えばューザに対して故障発
生通知および故障発生個所の表示を行なう。あるいは、
故障ユニット(ボード,チップまたはPE)情報をコン
パイラに与え、故障ユニットにタスク(処理)が割り当
てられないようにする。
【0021】実施例では分散制御記憶140およびテス
トデータ記憶装置150をチップ単位に設定したが、要
素PE(ニューロン)単位とすることも可能である。こ
の場合、テスト命令を実行するのは“ニューロン選択信
号NS220が0(ニューロンが非選択)”あるいは
“NS220が1かつフラグレジスタFLG134の値
が1(NOP指示)”の場合である。
【0022】NOP状態を利用したニューロン単位のテ
ストの場合、必ずしもテスト時間(NOP維持期間)が
十分とは限らないことが考えられる。対策案を図4に示
す。図4では、分散制御記憶140に格納する命令を
“ALUテスト命令”,“乗算器テスト命令”,“RE
G R/Wテスト命令”等の短時間で実行可能な細かい
モジュール単位に分け、FLG134の値(FLGは数
ビット準備)に従いセレクタ134により実行するテス
ト命令モジュールを選択する構成を示している。
【0023】この実施例では、テストデータを予めニュ
ーロチップ内もしくはPE(ニューロン)内にテストデ
ータ記憶装置150として持つと仮定した。テストデー
タ記憶量が問題(大規模)となる場合は、図5に示すよ
うにテストパターン生成手段をニューロチップ内(もし
くはPE内)に持つことも考えられる。
【0024】図5において、図2との違いはテストデー
タ記憶装置150が擬似ランダム2進シーケンスカウン
タPRBS155に置き替わった点にある。(説明に不
要な要素は省略している)図6に擬似ランダム2進シー
ケンスカウンタPRBS155の一例を示す。図6にお
いて、PRBS155は4個のエッジトリガー方式D型
フリップフロップ156−1〜156−4および排他的
NORを帰還接続に用いた構成になっている。一般にN
段のシフトレジスタを用いた場合(2のn乗−1)の内
部状態を持ち、全てが1という状態以外から出発したと
きに、(2のn乗−1)の状態をめぐって出発点の状態
に戻ってくる。
【0025】この実施例では、テスト用の命令を通常動
作用のマイクロ命令とは独立に各チップまたは各PEに
分散配置する例を示した。通常の命令とテスト用の命令
を同一制御記憶内に持つことも考えられる。
【0026】以下の実施例では、マイクロ命令をニュー
ロ演算制御用の命令と制御記憶装置の次アドレス制御用
の命令に分け、次アドレス制御用の命令実行時(本来ニ
ューロンはNOP状態)に各ニューロンの演算器群をテ
ストする例を示す。
【0027】図7は演算制御用命令および次アドレス制
御用命令を説明するためのマイクロアセンブラ(ニモニ
ック)の一例である。また、図8は図7に示した次アド
レス制御用命令内のテスト機能指定フィールドの一例で
ある。以下、記述ルールを簡単に説明する。
【0028】(1)一般ルール 各フィールド間には、1個以上のスペースを挿入する。
ラベルを省略する場合、行の先頭はスペースとする。1
語(ワード)の終了はセミコロン(;)で表す。1語を
数行に分けて記述してもよい。
【0029】(2)各フィールドの記述ルール ラベル指定フィールド11:LBL 行の先頭から記述する。省略可。ただし、省略する場合
は行の先頭はスペースとする。
【0030】 マイクロ制御指定フィールド12:S
C ニューロンの制御を行なう演算制御命令か、制御記憶装
置の次アドレス制御を行なう次アドレス制御命令かの指
定を行なう。 SC(0):演算制御命令を表す。 SC(1):次アドレス制御命令を表す。
【0031】 ニューロン演算制御フィールド13:
INST ニューロンの演算機能(乗算,加算),演算に必要なメ
モリの読み/書き、内部バスの入出力等の指定を行な
う。
【0032】 ブロードキャスト指定フィールド1
4:BCST ブロードキャストに関する制御を行なう。 #1=△ :ブロードキャストは行なわない。 IN :入力信号をブロードキャストする。 TEA:教師信号をブロードキャストする。 NEU:ニューロンの値をブロードキャストする。 CNT:定数をブロードキャストする。
【0033】 ジャンプ命令指定フィールド15:J
UMP 制御記憶装置の次アドレスに関する制御を行なう。 #2=GO[μJAA] :μJAAで指定されたアド
レスに無条件ジャンプする。 SUB[μJAA]:μJAAで指定されたアドレスに
サブルーチンジャンプ。 SUBRTN :サブルーチンリターンを示す。 LOOP[LCA]:LCAで指定された回数だけ、L
OOPRTNまでを繰り返す。 LOOPRTN :ループエンドを示す。 テスト機能指定フィールド16:TEST 次アドレス制御命令実行時に行なう、オンラインテスト
用の命令を指定する。例えば、テスト対象として、各ニ
ューロンの内部の演算機能,内部バスおよび記憶装置
(レジスタ,メモリ)の出力線の縮退故障である。
【0034】 テスト命令フィールド21:TINS
T テスト用の命令(例えば、ALUのADD命令)を指定
する。
【0035】 乗算器入出力指定フィールド22:MUL #3=乗算器の右入力指定 #4=乗算器の左入力指定 ALU入出力指定フィールド23:ALU #5=ALUの右入力指定 #6=ALUの左入力指定 (a)シフタ入出力指定フィールド24:SFT #7=シフタの右入力指定 #8=シフタの左入力指定 (b)出力先指定フィールド25:OUT #9=テスト結果の出力先(例えばレジスタ、出力バッ
ファ)を指定する。
【0036】このようにマイクロ命令を、ニューロ演算
制御用の第1の命令と制御記憶装置の次アドレス制御用
の第2の命令に分ければ、第2の命令実行時(本来ニュ
ーロンはNOP状態)に各ニューロンの演算器群をテス
トすることが可能である。
【0037】これらの実施例は、いずれもオフラインテ
ストに流用することも可能である。また、汎用の並列計
算機(特に、SIMD型アーキテクチャ)のテストに用
いることも可能である。
【0038】
【発明の効果】本発明によれば、テストデータ入力のた
めの時間は要素プロセッサ(ニューロン)数に依存せず
不要である。また、オンライン(稼働)中にテストを実
行しているために、故障を早期に検出できる。NOP時
を利用しているためテスト時間は見かけ上ユーザには見
えない。オンライン中の自己修復も可能である。
【図面の簡単な説明】
【図1】ニューロコンピュータのシステムブロック図。
【図2】ニューロチップのブロック図。
【図3】故障検出信号の説明図。
【図4】分散制御記憶装置の使用例のブロック図。
【図5】テストパターン生成装置を持ったニューロチッ
プのブロック図。
【図6】テストパターン生成装置の一例のブロック図。
【図7】マイクロアセンブラ言語(ニモニック)例の説
明図。
【図8】テスト機能指定フィールドの一例の説明図。
【図9】従来例(バウンダリ・スキャン)のブロック
図。
【符号の説明】
100…ニューロチップアレイ、110…ニューロチッ
プ、200…マイクロコントローラ、210…マイクロ
命令、191…故障検出信号、140…分散制御記憶、
150…テストデータ記憶装置、155…テストパター
ン生成装置、160…制御信号決定論理。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 坂口 隆宏 東京都小平市上水本町5丁目20番1号 日 立超エル・エス・アイ・エンジニアリング 株式会社内

Claims (10)

    【特許請求の範囲】
  1. 【請求項1】複数のプロセッサを含むアレイおよび前記
    アレイを制御するコントローラを含む並列計算機システ
    ムにおいて、稼動中に、無操作(NOP;No OPeratio
    n)状態のプロセッサをテストする手段を設けたことを
    特徴とする並列計算機システム。
  2. 【請求項2】請求項1において、前記NOP状態のプロ
    セッサをテストする手段は、テスト用の命令をプロセッ
    サアレイ内に分散記憶し、NOP状態を判断して通常の
    命令に替えてテスト用の命令を選択実行する並列計算機
    システム。
  3. 【請求項3】請求項1において、前記NOP状態のプロ
    セッサをテストする手段は、マイクロ命令を、プロセッ
    サ演算制御用の第1の命令とそれ以外の第2の命令に分
    け、前記第2の命令の実行時に、前記各プロセッサのテ
    ストを実行する並列計算機システム。
  4. 【請求項4】請求項2または3において、前記テスト用
    の命令実行に必要なテストデータは、予めプロセッサア
    レイ内に分散記憶する並列計算機システム。
  5. 【請求項5】請求項2または3において、前記テスト用
    の命令実行に必要なテストデータは、予めプロセッサア
    レイ内にテストデータ生成手段を有することにより発生
    する並列計算機システム。
  6. 【請求項6】請求項5において、前記テストデータ生成
    手段は、擬似ランダム2進シーケンスカウンタである並
    列計算機システム。
  7. 【請求項7】請求項2または3において、前記テストの
    結果、故障有り/無しの情報を記憶する手段をボード,
    チップ,プロセッサ単位にそれぞれ有し、階層的に検索
    することにより故障ユニットを断定する手段を有する並
    列計算機システム。
  8. 【請求項8】請求項1において、前記テストの結果故障
    が検出された場合、故障ユニットをシステムから自動的
    に分離する機能を有する並列計算機システム。
  9. 【請求項9】請求項8において、前記故障ユニットをシ
    ステムから自動的に分離する手段は、プロセッサ間の結
    合強度を記憶するメモリの値を書き替えることにより実
    現する並列計算機システム。
  10. 【請求項10】請求項1,2,3,4,5,6,7,8
    または9において、前記並列計算機は、ニューロコンピ
    ュータである並列計算機システム。
JP22123592A 1992-08-20 1992-08-20 並列計算機システム Pending JPH0668056A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP22123592A JPH0668056A (ja) 1992-08-20 1992-08-20 並列計算機システム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP22123592A JPH0668056A (ja) 1992-08-20 1992-08-20 並列計算機システム

Publications (1)

Publication Number Publication Date
JPH0668056A true JPH0668056A (ja) 1994-03-11

Family

ID=16763591

Family Applications (1)

Application Number Title Priority Date Filing Date
JP22123592A Pending JPH0668056A (ja) 1992-08-20 1992-08-20 並列計算機システム

Country Status (1)

Country Link
JP (1) JPH0668056A (ja)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005316887A (ja) * 2004-04-30 2005-11-10 Ricoh Co Ltd マイクロプロセッサ
JP2020508532A (ja) * 2017-02-23 2020-03-19 セレブラス システムズ インク. 加速化ディープラーニング
US10657438B2 (en) 2017-04-17 2020-05-19 Cerebras Systems Inc. Backpressure for accelerated deep learning
US10726329B2 (en) 2017-04-17 2020-07-28 Cerebras Systems Inc. Data structure descriptors for deep learning acceleration
US11048996B2 (en) 2016-06-06 2021-06-29 Fujitsu Limited Information processing apparatus, ising device, and information processing apparatus control method
US11321087B2 (en) 2018-08-29 2022-05-03 Cerebras Systems Inc. ISA enhancements for accelerated deep learning
US11328208B2 (en) 2018-08-29 2022-05-10 Cerebras Systems Inc. Processor element redundancy for accelerated deep learning
US11328207B2 (en) 2018-08-28 2022-05-10 Cerebras Systems Inc. Scaled compute fabric for accelerated deep learning
US11488004B2 (en) 2017-04-17 2022-11-01 Cerebras Systems Inc. Neuron smearing for accelerated deep learning

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005316887A (ja) * 2004-04-30 2005-11-10 Ricoh Co Ltd マイクロプロセッサ
US11048996B2 (en) 2016-06-06 2021-06-29 Fujitsu Limited Information processing apparatus, ising device, and information processing apparatus control method
JP2021082317A (ja) * 2017-02-23 2021-05-27 セレブラス システムズ インク. 加速化ディープラーニング
JP2020508532A (ja) * 2017-02-23 2020-03-19 セレブラス システムズ インク. 加速化ディープラーニング
US11934945B2 (en) 2017-02-23 2024-03-19 Cerebras Systems Inc. Accelerated deep learning
US10699189B2 (en) 2017-02-23 2020-06-30 Cerebras Systems Inc. Accelerated deep learning
US11062200B2 (en) 2017-04-17 2021-07-13 Cerebras Systems Inc. Task synchronization for accelerated deep learning
US10762418B2 (en) 2017-04-17 2020-09-01 Cerebras Systems Inc. Control wavelet for accelerated deep learning
US10726329B2 (en) 2017-04-17 2020-07-28 Cerebras Systems Inc. Data structure descriptors for deep learning acceleration
US11157806B2 (en) 2017-04-17 2021-10-26 Cerebras Systems Inc. Task activating for accelerated deep learning
US11232347B2 (en) 2017-04-17 2022-01-25 Cerebras Systems Inc. Fabric vectors for deep learning acceleration
US11232348B2 (en) 2017-04-17 2022-01-25 Cerebras Systems Inc. Data structure descriptors for deep learning acceleration
US11475282B2 (en) 2017-04-17 2022-10-18 Cerebras Systems Inc. Microthreading for accelerated deep learning
US11488004B2 (en) 2017-04-17 2022-11-01 Cerebras Systems Inc. Neuron smearing for accelerated deep learning
US10657438B2 (en) 2017-04-17 2020-05-19 Cerebras Systems Inc. Backpressure for accelerated deep learning
US11328207B2 (en) 2018-08-28 2022-05-10 Cerebras Systems Inc. Scaled compute fabric for accelerated deep learning
US11321087B2 (en) 2018-08-29 2022-05-03 Cerebras Systems Inc. ISA enhancements for accelerated deep learning
US11328208B2 (en) 2018-08-29 2022-05-10 Cerebras Systems Inc. Processor element redundancy for accelerated deep learning

Similar Documents

Publication Publication Date Title
US3761695A (en) Method of level sensitive testing a functional logic system
Hulgaard et al. Testing asynchronous circuits: A survey
US4597080A (en) Architecture and method for testing VLSI processors
US7483824B1 (en) Self-checking test generator for partially-modeled processors by propagating fuzzy states
US20030120974A1 (en) Programable multi-port memory bist with compact microcode
GB1581863A (en) Testing a logic system
JP2007226711A (ja) 集積回路装置、集積回路装置の診断方法、および診断回路
JP2000123600A (ja) 埋込メモリのテスト方法および構成
US7506225B2 (en) Scanned memory testing of multi-port memory arrays
JPH0668056A (ja) 並列計算機システム
US7392449B2 (en) Method, apparatus, and computer program product for diagnosing a scan chain failure employing fuses coupled to the scan chain
US6954886B2 (en) Deterministic hardware reset for FRC machine
US7797594B1 (en) Built-in self-test of 3-dimensional semiconductor memory arrays
US5610927A (en) Integrated circuit control
US4924469A (en) Semiconductor integrated circuit device
Bardell et al. Built-in test for RAMs
Chen et al. Automatic Test Program Generation for Transition Delay Faults in Pipelined Processors
WO2008010648A1 (en) Matching method for multiple stuck-at faults diagnosis
WO2001056038A1 (fr) Systeme a semi-conducteur
Oyeniran et al. Implementation-independent functional test for transition delay faults in microprocessors
EP0680051A1 (en) Testable memory array
US7165132B1 (en) Processing node including a plurality of processor cores and an interconnect configurable in a test-mode to cause first and second transaction source indicators to be interchanged
US8214703B2 (en) Testing multi-core processors
Jasnetski et al. New fault models and self-test generation for microprocessors using high-level decision diagrams
TWI288242B (en) Digital logic test method to systematically approach functional coverage completely and related apparatus and system