KR20200119706A - 프로세서 제어 장치, 방법 및 설비 - Google Patents

프로세서 제어 장치, 방법 및 설비 Download PDF

Info

Publication number
KR20200119706A
KR20200119706A KR1020197031418A KR20197031418A KR20200119706A KR 20200119706 A KR20200119706 A KR 20200119706A KR 1020197031418 A KR1020197031418 A KR 1020197031418A KR 20197031418 A KR20197031418 A KR 20197031418A KR 20200119706 A KR20200119706 A KR 20200119706A
Authority
KR
South Korea
Prior art keywords
processor
sensor data
sensor
calculation model
memory
Prior art date
Application number
KR1020197031418A
Other languages
English (en)
Inventor
조우 팡
빙루이 왕
Original Assignee
상하이 캠브리콘 인포메이션 테크놀로지 컴퍼니 리미티드
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 상하이 캠브리콘 인포메이션 테크놀로지 컴퍼니 리미티드 filed Critical 상하이 캠브리콘 인포메이션 테크놀로지 컴퍼니 리미티드
Publication of KR20200119706A publication Critical patent/KR20200119706A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3234—Power saving characterised by the action undertaken
    • G06F1/3293—Power saving characterised by the action undertaken by switching to a less power-consuming processor, e.g. sub-CPU
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3234—Power saving characterised by the action undertaken
    • G06F1/324—Power saving characterised by the action undertaken by lowering clock frequency
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3234—Power saving characterised by the action undertaken
    • G06F1/3243—Power saving in microcontroller unit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3234—Power saving characterised by the action undertaken
    • G06F1/3287—Power saving characterised by the action undertaken by switching off individual functional units in the computer system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3234—Power saving characterised by the action undertaken
    • G06F1/3296—Power saving characterised by the action undertaken by lowering the supply or operating voltage
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Sources (AREA)
  • Advance Control (AREA)
  • Microcomputers (AREA)

Abstract

본 출원은 프로세서 제어 장치, 방법 및 설비를 공개한다. 상기 프로세서 제어 장치는 연산 회로 및 메모리를 포함하고, 상기 연산회로는 메모리에 접속되며; 상기 연산 회로는 획득한 센서 데이터에 따라 제어 신호를 출력하도록 구성되며, 제어 신호는 프로세서를 제어하도록 구성된다. 본 발명에 따른 프로세서 제어 장치, 방법 및 설비는 설정된 키 정보에 따라, 프로세서를 작동시킬 필요가 있는지 또는 작동중인 프로세서의 에너지 소모를 감소시킬 필요가 있는지를 판단할 수 있으므로, 배터리 수명을 향상시킬 수 있다.

Description

프로세서 제어 장치, 방법 및 설비
본 출원은 출원일자 2018년 2월 14자, 출원번호 20110115158.2, 명칭 “프로세서 제어 장치, 방법 및 설비”에 기초한 우선권의 이익을 주장하며, 해당 중국 특허 출원의 문헌에 개시된 모든 내용은 본 명세서의 일부로서 포함시킨다.
본 출원은 컴퓨터 분야에 관한 것으로서, 특히 프로세서 제어 장치, 방법 및 설비에 관한 것이다.
컴퓨터 기술의 발전에 따라 점점 더 많은 설비가 프로세서를 집적하고 있으며, 동시에 많은 응용 환경에서 설비의 낮은 에너지 소모와 긴 대기 시간이 점점 더 주목받고 있다. 프로세서는 설비의 연산 핵심 및 제어 핵심으로서 전력 소모가 크다.
많은 종래 설비에서, 설비가 작동 상태인 경우, 통합 프로세서도 작동 상태이므로 설비 전체의 전력 소모가 증가하고 배터리 수명이 단축된다. 예를 들어, 지능 로봇 분야에서 지능 로봇의 메인 프로세서가 항상 작동 상태인 경우, 로봇의 수명에 큰 영향을 미친다. 마찬가지로 스마트 폰 분야에서 스마트 폰의 메인 프로세서가 항상 작동하면 스마트 폰의 수명에 큰 영향을 미친다.
이를 감안하여, 종래 설비에서 프로세서의 보다 높은 에너지 소모 문제를 해결하기 위한 프로세서 제어 장치, 제어 방법 및 설비를 제공할 필요가 있다.
프로세서 제어 장치로서, 연산 회로 및 메모리를 포함하되, 상기 연산 회로는 상기 메모리에 연결되며; 상기 연산 회로는 획득된 센서 데이터에 따라 제어 신호를 출력하도록 구성되며, 상기 제어 신호는 프로세서를 제어하도록 구성된다.
일 실시예에서, 상기 메모리는 휘발성 메모리 및 비휘발성 메모리를 포함하며, 상기 휘발성 메모리는 중간 데이터를 버퍼링하도록 구성되고, 상기 비휘발성 메모리는 계산 모델을 저장하도록 구성된다.
일 실시예에서, 상기 계산 모델은 제 1 계산 모델 및 제 2 계산 모델을 포함하며, 상기 제 1 계산 모델 용량은 상기 제 2 계산 모델보다 작으며;
상기 비휘발성 메모리는 제 2 계산 모델을 저장하기 위한 고용량 모델 메모리 및 제 1 계산 모델을 저장하기 위한 저용량 모델 메모리를 포함하며, 여기서, 상기 고용량 모델 메모리의 저장 용량은 상기 저용량 저장 모델의 저장 용량보다 크다.
일 실시예에서, 상기 연산 회로는 메인 프로세싱 회로, 베이스 프로세싱 회로 및 브랜치 프로세싱 회로를 포함하며;
상기 메인 프로세싱 회로는 브랜치 프로세싱 회로에 연결되고, 브랜치 프로세싱 회로는 적어도 하나의 베이스 프로세싱 회로에 연결된다.
일 실시예에서, 상기 메인 프로세싱 회로는 제어 회로, 벡터 연산기 회로, 산술 논리 연산회로, 누산기 회로 및 직접 메모리 액세스 회로를 포함한다.
일 실시예에서, 상기 연산 회로는 신경망 알고리즘을 수행하기 위한 신경망 프로세싱 유닛을 포함한다.
일 실시예에서, 상기 프로세서 제어 장치는 상기 연산 회로에 연결되는 센서 제어 유닛을 포함하고, 상기 센서 제어 유닛은 프로세서 제어 장치와 센서 사이의 신호 전송을 제어한다 .
일 실시예에서, 상기 센서 유닛은 적어도 하나의 센서 인터페이스를 포함하고, 상기 센서 인터페이스는 센서를 연결하기 위한 것이며, 상기 센서 인터페이스는 상기 연산 유닛에 연결된다.
일 실시예에서, 상기 센서 제어 유닛은 컨트롤러 및 버퍼를 포함하고, 상기 컨트롤러는 상기 버퍼와 통신 연결되며;
여기서, 상기 컨트롤러는 센서를 제어하도록 구성되며;
상기 버퍼는 센서에서 전송된 센서신호를 버퍼링하도록 구성된다.
일 실시예에서, 상기 센서 제어 유닛은 구성 메모리를 포함하고, 상기 구성 메모리는 상기 컨트롤러에 연결되며;
여기서, 상기 구성 메모리는 사용자가 입력한 인터랙티브 정보를 저장하도록 구성된다.
일 실시예에서, 상기 제어 신호는 상기 프로세서의 턴온 또는 턴오프를 제어하기 위한 스위칭 신호이다.
일 실시예에서, 상기 프로세서 제어 장치는 전원 제어기를 포함하고, 상기 전원 제어기는 연산 회로에 연결되며;
상기 전원 제어기는 상기 스위칭 신호에 따라 프로세서의 턴온 및 턴오프를 제어하도록 구성된다.
일 실시예에서, 상기 전원 제어기는 스위치 제어기 및 전원 인터페이스를 포함하고, 상기 스위치 제어기의 일단은 상기 연산 회로에 직렬로 연결되며, 다른 일단은 상기 전원 인터페이스에 직렬로 연결된다.
일 실시예에서, 상기 제어 신호는 절전 신호이고, 상기 절전 신호는 언더클럭 신호, 언더볼팅 신호, 부분 모듈 오프 신호로 이루어진 군으로부터 선택된 하나 이상을 포함한다.
칩으로서, 상기 칩은 전술한 각 실시예에 따른 상기 프로세서 제어 장치를 포함한다.
칩 패키지 구조로서, 상기 칩 패키지 구조는 전술한 실시예에 따른 상기 칩을 포함한다.
보드로서, 상기 기판은 전술한 실시예에 따른 상기 칩 패키지 구조를 포함한다.
전자 장치로서, 상기 전자 장치는 전술한 실시예에 따른 보드를 포함한다.
전자 설비로서, 상기 전자 설비는 센서, 프로세서 및 전술한 실시예에 따른 상기 프로세서 제어 장치를 포함하되,
상기 프로세서 제어 장치는 상기 프로세서에 연결되고, 상기 센서는 상기 프로세서 및/또는 상기 프로세서 제어 장치에 연결되며;
여기서, 상기 프로세서 제어 장치의 단위 시간당 전력 소모는 상기 프로세서의 단위 시간당 전력 소모보다 적다.
프로세서 제어 방법으로서, 여기서 상기 방법은,
센서 데이터를 획득하는 단계;
상기 센서 데이터와 설정된 키 정보의 매칭 여부를 판단하는 단계;
매칭될 경우, 제어 명령이 출력되고, 상기 제어 명령은 상기 프로세서를 제어하도록 구성되는 단계를 포함한다.
일 실시예에서, 상기 센서 데이터가 상기 설정된 키 정보와 매칭되지 않을 경우, 상기 방법은,
상기의 센서 데이터를 수집하는 단계를 계속 수행하는 단계를 더 포함한다.
일 실시예에서, 상기의 센서 데이터와 설정된 키 정보의 매칭 여부를 판단하는 단계를 수행하기 전에, 상기 방법은,
상기 센서 데이터가 설정된 조건에 부합되는지 여부를 판단하는 단계;
부합된다고 판단할 경우, 상기의 센서 데이터와 설정된 키 정보의 매칭 여부를 판단하는 단계를 계속 수행하는 단계를 더 포함한다.
일 실시예에서, 상기 센서 데이터가 설정된 조건에 부합되는지 여부를 판단하는 단계는,
설정된 시간을 간격으로 상기 센서 데이터를 한 번씩 수집하는 단계를 포함한다.
일 실시예에서, 상기 센서 데이터가 설정된 조건에 부합 여부를 판단하는 단계는,
현재의 센서 데이터 및 버퍼링 된 지난 회차의 센서 데이터를 획득하는 단계;
상기 현재의 센서 데이터와 상기 지난번 센서 데이터의 일치 여부를 판단하는 단계;
일치하지 않을 경우, 상기 센서 데이터는 설정된 조건에 부합된다고 판단하는 단계를 포함한다.
일 실시예에서, 상기 센서 데이터가 설정된 조건에 부합하지 않을 경우, 상기 방법은,
상기의 센서 데이터를 수집하는 단계를 계속 수행하는 단계를 더 포함한다.
일 실시예에서, 상기의 센서 데이터와 설정된 키 정보의 매칭 여부를 판단하는 단계는,
상기 센서 데이터에 따라 설정된 계산 모델을 통해 출력 결과를 산출하는 단계;
상기 출력 결과가 설정된 제 1 역치보다 큰 경우, 센서 데이터는 설정된 키 정보와 매칭되는 단계;
상기 출력 결과가 설정된 제 1 역치보다 작거나 같은 경우, 센서 데이터는 설정된 키 정보와 매칭되지 않는 단계를 포함한다.
일 실시예에서, 상기 계산 모델은 컨벌루션 뉴럴 네트워크(convolutional neural network) 트레이닝에 의해 획득된다.
일 실시예에서, 상기 계산 모델은 제 1 계산 모델 및 제 2 계산 모델을 포함하며, 상기 제 1 계산 모델의 용량은 상기 제 2 계산 모델의 용량보다 크고;
상기의 센서 데이터에 따라 설정된 계산 모델을 이용하여 출력 결과를 산출하는 단계는,
제 1 계산 모델을 획득한 후, 상기 센서 데이터에 따라 상기 제 1 계산 모델을 이용하여 제 1 중간 결과를 산출하는 단계;
상기 제 1 중간 결과가 상기 제 2 역치보다 큰지 여부를 판단하는 단계;
상기 제 1 중간 결과가 상기 제 2 역치보다 큰 경우, 제 2 계산 모델을 획득한 후, 센서 데이터에 따라 상기 제 2 계산 모델을 이용하여 출력 결과를 산출하는 단계를 포함한다.
일 실시예에서, 상기 제어 방법은,
상기 제 1 중간 결과가 제 2 역치 이하일 경우,
상기의 센서 데이터를 수집하는 단계를 수행하는 단계를 포함한다.
일 실시예에서, 상기 제어 명령은 턴온 명령을 포함하며, 상기 턴온 명령은 프로세서를 작동시킨다.
일 실시예에서, 상기 제어 명령은 절전 명령을 포함하며, 상기 절전 명령은 언더클럭 명령, 언더볼팅 명령, 부분 모듈 오프 명령으로 이루어진 군으로부터 선택된 하나 이상을 포함한다.
상기 실시예들에 의해 제공된 프로세서 제어 장치, 방법 및 설비는 설정된 키 정보에 따라 프로세서의 턴온 여부 또는 작동중인 프로세서의 전력 소모를 감소시킬 필요가 있는지 여부를 판단할 수 있다. 즉, 센서 데이터가 설정된 키 정보와 매칭할 때만 프로세서를 켜서 프로세서가 작동 상태에 있게 하거나, 또는 프로세서가 작동 상태에 있을 때 언더클럭, 언더볼팅, 부분 모듈 오프 등 방법을 통하여 프로세서의 에너지 소모를 줄이고 배터리 수명을 향상시킨다.
본 출원의 실시예 또는 종래 기술의 방안을 보다 명확하게 설명하기 위해, 이하에서 실시예 또는 종래 기술의 설명에서 사용된 도면을 간략하게 설명하고, 이하 첨부된 도면은 단지 본 출원의 실시예일 뿐이며, 당업자는 개시된 도면에 따라 독창적인 작업없이 다른 도면을 얻을 수 있는 것으로 이해되어야 한다.
도 1은 일 실시예에 따른 프로세서 제어 장치의 응용 시나리오를 제시하는 도면이다.
도 2는 일 실시예에 따른 프로세서 제어 장치의 구조를 제시하는 도면이다.
도 3은 다른 실시예에 따른 프로세서 제어 장치의 구조를 제시하는 도면이다.
도 4는 또 다른 실시예에 따른 프로세서 제어 장치의 구조를 제시하는 도면이다.
도 5는 일 실시예에 따른 연산 회로의 구조를 제시하는 도면이다.
도 6은 일 실시예에 따른 연산 회로 중 메인 프로세싱 회로의 구조를 제시하는 도면이다.
도 7은 또 다른 실시예에 따른 프로세서 제어 장치의 구조를 제시하는 도면이다.
도 8은 또 다른 실시예에 따른 프로세서 제어 장치의 구조를 제시하는 도면이다.
도 9는 일 실시예에 따른 전자 설비의 구조를 제시하는 도면이다.
도 10은 일 실시예에 따른 프로세서 제어 방법의 흐름를 제시하는 도면이다.
도 11은 일 실시예에 따른 프로세서 제어 방법의 흐름를 제시하는 도면이다.
도 12는 일 실시예에 따른 상기 센서 데이터가 설정된 키 정보와 매칭 여부를 판단하는 절차의 흐름를 제시하는 도면이다.
도 13은 일 실시예에 따른 프로세서 제어 방법의 부분 흐름을 제시하는 도면이다.
본 발명의 기술적 방안을 보다 명확하게 이해하기 위해, 첨부된 도면을 참조하여 본 발명의 프로세서 제어 장치, 제어 방법 및 설비에 대해 보다 상세하게 설명한다. 본 명세서에 기술된 구체적인 실시예는 단지 본 발명을 설명하기 위한 것이며, 본 발명을 제한하는 것으로 이해되지 않는다. 모순되지 않는 경우, 본 출원의 실시예와 실시예의 특징은 서로 조합될 수 있음을 설명한다. 본 실시예에서의 "제 1", "제 2" 등은 설명 대상을 구별하기 위해서만 사용되며, 어떠한 순서 또는 기술적 의미도 없다. 도 1을 참조하면, 도 1은 일 실시예에 따른 프로세서 제어 장치의 응용 시나리오를 제시하는 도면이다. 상기 프로세서 제어 장치는 센서(100), 프로세서 제어 장치(200) 및 프로세서(300)를 포함한다. 센서(100)는 환경 정보를 수집하고 수집된 환경 정보를 센서 데이터로서 프로세서 제어 장치(200)에 전송하도록 구성된다. 프로세서 제어 장치(200)는 수신한 센서 데이터를 처리한 후 프로세서(300)를 제어하기 위한 제어 신호를 출력하며, 제어 신호에 따라 프로세서(300)의 턴 온 및 턴오프를 제어한다.
환경 정보는 시각 정보, 소리 정보, 미각 정보, 촉각 정보, 중력 감지 정보 등 표상 센서가 처한 환경의 정보로 이루어진 군으로부터 선택된 하나 이상을 포함한다.
선택적으로, 센서(100)는 캠, 카메라와 같은 가시광선 센서이거나, 밀리미터파 레이더, 레이저 레이더, 적외선 설비와 같은 불가시광선 센서이거나, 마이크로폰, 음파 수신기 등과 같은 음향 센서이거나, 또는 환경 정보를 수집하기 위한 다른 센서 일 수 있다.
선택적으로, 프로세서(300)는 컴퓨터 명령을 실행하기 위한 범용 집적 회로일 수 있다. 또한 프로세서(300)는 어떤 장치에 집적되어 컴퓨터 명령을 실행하는 부품일 수도 있고, 프로세서(300)를 제어함으로써 전체 설비의 제어를 구현할 수 있다. 예를 들어, 프로세서(300)는 로봇에 집적될 수 있고, 프로세서(300)를 제어함으로써 로봇에 대한 제어를 구현할 수 있다. 다른 예로서, 프로세서(300)는 스마트 폰에 집적될 수 있고, 프로세서(300)를 제어함으로써 스마트 폰에 대한 제어를 구현할 수 있다.
선택적으로, 도 1을 참조하면, 센서(100)는 수집된 환경 정보를 프로세서 제어 장치(200)에 전송할 수 있고, 수집된 환경 정보를 프로세서(300)에 직접 전송할 수도 있다.
프로세서 제어 장치(200)는 프로세서(300)와 동일한 장치 내에 집적될 수 있고, 인터페이스를 통해 프로세서(300)에 연결될 수 있으며, 원격 통신 방식으로 프로세서(300)에 연결될 수 있다. 즉, 본 실시예에서 프로세서 제어 장치(200)와 프로세서(300)의 연결 방식은 제한되지 않는다.
상기 응용 시나리오에서, 프로세서 제어 장치는 획득한 센서 데이터를 통하여 프로세서를 턴온시킬 필요가 있는지 여부를 판단할 수 있고; 센서는 환경 정보를 항상 취득할 수 있다. 즉 센서가 특정 환경 정보를 획득한 경우만 프로세서가 턴온된다. 따라서, 상기 응용 시나리오에서 프로세서 제어 장치가 프로세서의 턴온을 제어함으로써, 전력 소모를 효과적으로 감소시킬 수 있다.
도 2를 참조하면, 도 2는 일 실시예에 따른 프로세서 제어 장치의 구조를 제시하는 도면이다. 본 실시예에 언급된 프로세서 제어 장치(200)의 구조는 연산 회로(210) 및 메모리(220)을 포함하며; 여기서, 연산 회로(210)는 메모리(220)에 연결되고, 연산 회로(210)와 메모리(220)는 데이터 전송을 구현할 수 있다. 연산 회로(210)는 센서 데이터에 따라 제어 신호를 출력하도록 구성되며, 상기 제어 신호는 프로세서(300)를 제어하도록 구성된다. 센서 데이터는 센서(100)에 의해 직접 수집된 환경 정보이거나, 센서에 의해 수집된 환경 정보를 추가 처리하여 얻어진 데이터일 수 있다.
선택적으로, 연산 회로(210)는 기계 학습 알고리즘을 수행하도록 구성될 수 있다. 구체적으로, 기계 학습 알고리즘은 신경망 알고리즘, 의사 결정 트리(decision tree), 지원 벡터 머신 등을 포함하거나, 이에 한정되지는 않는다.
선택적으로, 획득된 제어 신호는 프로세서의 턴온 및/또는 턴오프를 제어하기 위한 간단한 스위칭 신호일 수 있고, 프로세서에 대한 보다 복잡한 제어를 구현하기 위한 비교적인 복잡한 디지털 신호일 수 있다. 예를 들어, 설정된 제어 프로토콜에서 디지털 신호의 상이한 숫자에 상이한 제어 명령을 대응할 수 있으며, 상이한 제어 명령에 따라 프로세서에 대한 제어를 구현 할 수 있다. 제어 신호는 음성 신호, 화상 신호 등과 같은 다른 포맷의 제어 신호일 수도 있다. 즉, 본 실시예에서 제어 신호의 유형을 제한하지 않는다.
연산 회로(210) 및 메모리(220)는 모두 하드웨어에 의해 구현할 수 있다. 선택적으로, 연산 회로(210)는 디지털 회로, 아날로그 회로 등을 포함하는 회로 일 수 있다. 연산 회로(210)는 회로 엘리먼트로 구성된 전용 집적 회로에 의해 구현되며, 여기서, 회로 엘리먼트는 CMOS, 이극관, 삼극관, 멤 리스터 등 기본 엘리먼트 또는 기본 엘리먼트의 조합일 수 있다. 이러한 기본 엘리먼트 또는 기본 엘리먼트의 조합을 통해 센서 신호를 처리하고 제어 신호를 얻는다.
선택적으로, 연산 회로(210)는 범용 집적 회로일 수 있고, 선택적으로, 범용 집적 회로는 CPU(Central Processing Unit, 중앙 처리 유닛), GPU(Graphics Processing Unit, 그래픽 처리 유닛), FPGA(Field-Programmable Gate Array, 필드 프로그램 가능 게이트 어레이), NPU(Network Processing Unit, 신경망 처리 유닛), DSP(Digital Signal Process, 디지털 신호 처리) 칩으로 이루어진 군으로부터 선택된 하나 이상일 수 있다. 선택적으로, 연산 회로(210)는 명령 세트 프로세서, 관련 칩셋을 더 포함할 수 있다.
선택적으로, 메모리(220)는 비휘발성 및/또는 휘발성 메모리를 포함할 수 있다. 메모리(220)는 캐시 용도를 위한 온보드 메모리도 포함할 수 있다. 비휘발성 메모리는 판독 전용 메모리(ROM), 프로그래머블 ROM(PROM), 전기적 프로그래머블 ROM(EPROM), 전기적 소거 가능 프로그래머블 ROM(EEPROM) 또는 플래시 메모리로 이루어진 군으로부터 선택된 하나 이상일 수 있다. 휘발성 메모리는 랜덤 액세스 메모리(RAM) 또는 외부 고속 버퍼 메모리일 수 있다. RAM은, 예를 들어 정적 RAM (SRAM), 동적 RAM(DRAM), 동기식 DRAM(SDRAM), 더블 데이터 레이트 SDRAM (DDRSDRAM), 향상형 SDRAM(ESDRAM), 동기 링크(Synchlink) DRAM (SLDRAM), 메모리 버스(Rambus) 다이렉트 RAM(RDRAM), 다이렉트 메모리 버스 DRAM(DRDRAM) 및 메모리 버스 DRAM(RDRAM) 등 다양한 형태으로 사용 가능하지만, 이에 제한되는 것은 아니다.
선택적으로, 메모리(220)에 해당 컴퓨터 프로그램 명령을 저장할 수 있고, 연산 회로(210)는 해당 컴퓨터 프로그램 명령을 통해 센서 신호를 처리하고 제어 신호를 얻는다.
실제 응용과정에서, 메모리(220)와 연산 회로(210)는 동일한 설비에 설치될 수 있고, 다른 설비에도 설치될 수 있다. 예를 들어, 메모리(220)는 클라우드 설비에 설치되고 연산 회로(210)는 단말기에 설치될 수 있다.
상기 실시예에서 제공된 프로세서 제어 장치는 연산 회로를 통해 센서 데이터를 처리하여 프로세서를 턴온시키는지 여부를 판단하고, 보다 정확하게 전체 시스템의 전력 소모 또는 지연을 제어한다.
도3을 참조하면, 도 3은 다른 실시예에 따른 프로세서 제어 장치의 구조를 제시하는 도면이고, 본 실시예는 프로세서 제어 장치의 메모리(220)는 다른 유형의 복수의 메모리를 포함할 수 있으며, 다른 유형의 메모리는 서로 다른 저장 대기 대상을 각각 저장할 수 있는 것에 관한 것이다. 상기 메모리(220)는 휘발성 메모리(221) 및 비휘발성 메모리(222)를 포함할 수 있다. 비휘발성 메모리는 전원이 끊길 경우, 데이터는 저장할 수 없지만, 데이터의 리드-라이트가 더 빠르게 되어, 센서 신호를 처리하는 과정에서 발생하는 중간 데이터를 버퍼링할 수 있으며; 비휘발성 메모리(222)는 계산 모델을 저장할 수 있다. 연산 회로(210)가 계산 모델을 호출할 필요가 있을 경우, 비휘발성 메모리(222)에 저장된 해당 계산 모델을 획득하여, 연산 회로(210)가 계산 과정에서 발생하는 중간 데이터는 휘발성 메모리(221)에 버퍼링 된다.
상기 실시예에서 제공된 프로세서 제어 장치는 중간 데이터와 계산 모델을 별도로 저장하며, 이로써 중간 데이터는 휘발성 메모리에 저장되고 계산 모델은 비휘발성 메모리에 저장됨으로써, 연산 속도를 향상시킬 수 있다.
도 4는 또 다른 실시예에 따른 프로세서 제어 장치의 구조를 제시하는 도면이고, 본 실시예는 프로세서 제어 장치 내의 메모리의 다른 조합 방식을 제시한다. 선택적으로, 상기 도 3에 제시된 실시예에 따라, 계산 모델을 저장하기 위한 비휘발성 메모리(222)는 저용량 모델 메모리(223)와 고용량 모델 메모리(224)로 나뉘어지며, 저용량 모델 메모리(223)에 제 1 계산 모델을 저장하고, 고용량 모델 메모리(224)에 제 2 계산 모델을 저장할 수 있다. 제1 계산 모델의 용량은 제2 계산 모델의 용량보다 적다. 용량은 계산 모델의 저장 오버헤드를 나타낸다. 필요에 따라, "고용량" 및 "저용량"은 메모리 매체 또는 실제 상황에 의해 구별된다.
또한, 저장 용량은 메모리가 저장할 수 있는 데이터의 양을 나타내며, 메모리가 저장할 수 있는 최대 데이터 양을 평가하기 위한 지표이다. 고용량 모델 메모리(224) 및 저용량 모델 메모리(223)는 모두 비휘발성 메모리를 사용한다. 또한, 고용량 모델 메모리(224)는 고 저장 용량을 갖는 비휘발성 메모리를 사용할 수 있고, 저용량 모델 메모리(223)는 저 저장 용량을 갖는 비휘발성 메모리를 사용할 수 있다. 비휘발성 메모리의 저장 용량이 상대적으로 클수록, 액세스 속도는 상대적으로 느리고, 전력 소모는 상대적으로 높다.
또한, 저용량 모델 메모리(223)의 정장 용량이 보다 작기 때문에, 저용량 모델 메모리(223)의 에너지 소모는 적지만, 센서 신호 처리의 정밀도는 비교적 낮아서 제1계산 모델은 복잡한 센서 데이터에 대한 처리에 적합하기 어렵다. 제 2 계산 모델은 복잡한 센서 데이터에 대한 처리에 적합하지만, 보다 큰 저장 용량이 필요하기에, 고용량 모델 메모리(224)의 에너지 소모는 비교적 높다. 구체적으로, 역치를 설정하며, 필요한 저장 용량이 역치보다 작은 경우, 연산 회로(210)는 저용량 모델 메모리(223)와의 데이터 상호작용만 수행할 필요가 있고, 필요한 저장 용량이 역치보다 큰 경우, 고용량 모델 메모리(224)와의 데이터 상호작용을 수행할 수 있다. 또한, 실제 응용과정에서, 상기 역치는 하드웨어의 한계 값에 따라 사전에 설정될 수 있고, 기존 검증된 지식에 따라 사전에 설정될 수 있고, 사용자에 의해 입력된 파라미터에 따라 산출될 수 있다. 저용량 계산 모델과 고용량 계산 모델은 역치에 의해 구분되거나, 상이한 값 범위에 의해 구분될 수 있다.
상기 실시예에서 제공된 프로세서 제어 장치는, 저용량 계산 모델 및 고용량 계산 모델에 대해 별도로 저장하며, 저용량 계산 모델만 호출 필요한 경우, 저용량 메모리 모델과 데이터 상호작용을 수행하고, 고용량 계산 모델을 호출할 필요가 있을 경우, 고용량 모델 메모리와 데이터 상호작용을 수행하여 연산 속도를 높이고 전력 소모를 절감한다. 또한, 프로세서 제어 장치 내의 메모리는 도 3 또는 도 4에 도시된 구성 방식 이외에, 예를 들어, 휘발성 메모리만 포함하거나, 비휘발성 메모리만 포함하는 등의 다른 조합을 사용할 수 있다.
도 5를 참조하면, 본 실시예는 도 3 또는 도4에서 도시된 프로세서 제어 장치내 연산 회로(210)의 상세 구조에 관한 것으로서, 도 5의 연산 회로(210)는 메인 프로세싱 회로(211), 베이스 프로세싱 회로(212) 및 브랜치 프로세싱 회로(213)를 포함한다.
구체적으로, 메인 프로세싱 회로(211)는 브랜치 프로세싱 회로(213)에 연결되고, 브랜치 프로세싱 회로(213)는 적어도 하나의 베이스 프로세싱 회로(212)에 연결된다. 상기 브랜치 프로세싱 회로(213)는 메인 프로세싱 회로(211) 또는 베이스 프로세싱 회로(213)의 데이터를 송수신하도록 구성된다.
도 6과 조합하여 참조하면, 도6은 다른 실시예에 따른 연산 회로(210)의 메인 프로세싱 회로의 구조를 제시한 도면이다. 본 실시예는 도5에 제시한 프로세서 제어 장치를 기반으로 한 메인 프로세싱 회로(211)의 구현방식을 추가로 제시한다. 메인 프로세싱 회로(211)는 제어 회로, 벡터 연산기 회로, 산술 논리 연산회로(ALU, arithmetic logic unit), 누산기 회로, DMA(direct memory access, 직접 메모리 액세스) 회로 등을 포함할 수 있다. 실제 응용과정에서, 구현하고자 하는 기능에 따라 상기 메인 프로세싱 회로(211)은, 예를 들어, 매트릭스 반전 회로, 데이터 재 배열 회로 또는 활성화 회로, 레지스터 및/또는 온-칩 캐시 회로 등과 같은 변환 회로를 추가로 포함할 수 있다.
메인 프로세싱 회로(211)는 데이터 송신 회로, 데이터 수신 회로 또는 인터페이스를 추가로 포함하고, 상기 데이터 송신 회로는 데이터 분배 회로 및 데이터 방송 회로를 집적할 수 있다. 실제 응용과정에서, 데이터 분배 회로 및 데이터 방송 회로는 별도로 설정될 수 있다. 실제 응용과정에서, 상기 데이터 송신 회로와 데이터 수신 회로를 일체화하여 데이터 송수신 회로를 구성할 수도 있다.
프로세서 제어 장치(200)에서, 연산 회로는 데이터 방송을 구현하도록 구성되거나, 데이터 분배를 구현하도록 구성될 수 있다. 방송 데이터는 각 베이스 프로세싱 회로에 전송할 필요가 있는 것이다. 분배 데이터는 일부 베이스 프로세싱 회로에 선택적으로 전송할 필요가 있는 데이터이며, 구체적인 선택방법은 메인 프로세싱 회로(211)가 부하 및 계산 방식에 의해 결정될 수 있다. 방송 송신 방식에 대해, 방송 데이터가 방송 방식으로 각 베이스 프로세싱 회로(212)에 송신된다. 실제 응용과정에서, 1회 방송 방식을 통해 방송 데이터를 각 베이스 프로세싱 회로(212)에 전송하거나, 수회의 방송 방식을 통해 방송 데이터를 각 베이스 프로세싱 회로(212) 에 전송할 수 있다. 본 출원의 구체적인 실시 방법은 상기 방송의 횟수를 제한하지 않는다. 분배 전송 방식에 있어서, 메인 프로세싱 회로(211)는 분배 데이터를 일부 베이스 프로세싱 회로(212)에 전송한다.
데이터 분배가 구현될 경우, 메인 프로세싱 회로(211) 의 제어 회로는 데이터를 일부 또는 전부 베이스 프로세싱 회로(212)에 송신한다. 상기 전송 데이터는 동일하거나 상이할 수 있다. 구체적으로, 분배 방식으로 데이터를 송신하는 경우, 각각의 베이스 프로세싱 회로(212)에 수신된 데이터가 상이거나, 물론 일부 베이스 프로세싱 회로(212)에 수신된 데이터가 동일할 수 있다.
구체적으로, 데이터 방송 과정에서, 메인 프로세싱 회로(211)의 제어 회로는 데이터를 일부 또는 전부 베이스 프로세싱 회로(212)에 전송하며, 데이트를 수신하는 각 베이스 프로세싱 회로는 동일한 데이터를 수신할 수 있고, 즉, 데이터 방송은 모든 베이스 프로세싱 회로(212)가 수신해야 하는 데이터를 모두 포함할 수 있다. 분배 데이터는 일부 베이스 프로세싱 회로(212)가 수신해야 하는 데이터를 포함할 수 있다. 메인 프로세싱 회로(211)는 1회 또는 수회의 방송을 통해 상기 방송 데이터를 모든 브랜치 프로세싱 회로(213)에 전송할 수 있고, 브랜치 처리 회로(213)는 다시 상기 방송 데이터를 모든 베이스 프로세싱 회로(212)에 전송한다.
선택적으로, 상기 메인 프로세싱 회로의 벡터 연산기 회로는, 두 벡터의 가감승제, 벡터와 상수의 가감승제, 또는 벡터내 각각의 원소에 대한 임의의 연산 등을 포함하는 벡터 연산을 수행할 수 있으나, 이에 제한되는 것은 아니다. 여기서, 연속적인 연산은 구체적으로 벡터와 상수의 가감승제 연산, 활성화 연산, 누적 연산 등일 수 있다.
도7을 참조하면, 도 7은 일 실시예에 따른 프로세서 제어 장치의 구조를 제시한 도면이다. 프로세서 제어 장치는 연산 회로(210) 및 메모리(220) 및 센서 제어 유닛(230)을 포함한다. 본 실시예에 따른 프로세서 제어 장치는 센서 신호를 제어하기 위한 센서 제어 유닛을 더 포함한다. 프로세서 제어 장치(200)는 연산 회로(210) 및 메모리(220)에 기초하여 센서 제어 유닛(230)을 추가로 포함한다. 센서 제어 유닛(230)은 센서 신호를 제어하도록 구성될 수 있다.
선택적으로, 센서 제어 유닛(230)은 하나 이상의 센서 인터페이스(231)을 포함할 수 있고, 센서 인터페이스(231)는 상이한 액세스 프로토콜에 따라 상이한 유형, 상이한 모델의 센서에 매칭되도록 구성된다. 상이한 유형, 상이한 모델의 센서는 서로 다른 버스 유형을 가지므로, 하나 또는 복수 개의 센서 인터페이스를 통해 각종 유형 및 모델의 센서에 매칭하여, 프로세서 제어 장치의 범용성을 향상시킬 수 있다.
선택적으로, 센서 제어 유닛(230)은 컨트롤러(232) 및 버퍼(233)을 포함할 수 있고, 컨트롤러(232)와 버퍼(233)는 통신연결된다. 여기서, 컨트롤러(232)는 센서의 액세스 프로토콜에 따라 센서를 제어하도록 구성되고, 입력된 센서 신호에 따라 간단한 논리 연산을 수행할 수 있다. 버퍼(233)는 센서에서 전송된 센서신호를 버퍼링하도록 구성된다. 컨트롤러(232) 및 버퍼(233)는 모두 하드웨어에 의해 구현될 수 있다. 예를 들어, 컨트롤러(232)는 전술한 실시예에서 언급된 CPU등과 같은 범용 집적 회로를 사용하여 구현될 수 있다. 컨트롤러(232) 및 버퍼(233)를 구성함으로써, 센서 제어 유닛은 센서 신호에 대해 간단한 판단을 할 수 있다. 예를 들어, 비디오 신호인 경우, 컨트롤러(232)는 전후 두 개의 프레임이 변경되었는지를 판단할 수 있다. 이러한 간단한 판단을 통해, 센서 신호는 한층 더 필터링될 수 있고, 더 중요한 센서 신호만 연산 회로(210) 및 메모리(220)로 전송하여, 시스템 오버 헤드를 감소시키고 에너지 소모를 감소시킨다.
선택적으로, 센서 제어 유닛(230)은 하나의 구성 메모리를 더 포함할 수 있고, 구성 메모리는 사용자가 입력한 인터랙티브 정보를 저장하도록 구성될 수 있고, 사용자는 본인 취향, 응용 시나리오에 따라 입력한 인터랙티브 정보를 자유롭게 선택할 수 있으며, 구성 메모리는 인터랙티브 정보를 저장하고, 인터랙티브 정보의 값에 따라 계산하여 구성 정보를 획득한 후, 구성 정보에 따라 설비를 구성한다.
도8을 참조하면, 도 8은 일 실시예에 따른 프로세서 제어 장치의 구조를 제시하는 도면이다. 프로세서 제어 장치는 연산 회로(210), 메모리(220), 센서 제어 유닛(230) 및 전원 제어기(240)를 포함한다. 본 실시예에서, 제어 신호가 스위칭 신호일 경우, 프로세서 제어 장치는 전원 제어기(240)를 더 포함하며, 전원 제어기(240)은 스위칭 신호를 프로세서 전원을 스위칭하는 행위에 사용되며, 프로세서에 대한 턴온 또는 턴오프 제어를 구현하는 것이다. 즉, 제어 신호가 턴온 신호인 경우, 전원 제어기는 프로세서에 전력을 공급하는 전원을 켜서 프로세서를 작동시키고, 제어 신호가 턴오프 신호인 경우, 전원 제어기는 프로세서에 전력을 공급하는 전원을 꺼서 프로세서를 종료시킨다.
구체적으로, 전원 제어기(240)는 스위칭 신호에 따라 전원 스위치를 제어하기 위한 스위칭 제어기(241) 및 프로세서에 전력을 공급하는 전원의 턴온/턴오프를 제어하는 전원 인터페이스(242)를 포함한다.
일 실시예에서, 프로세서 제어 장치에 의해 생성된 제어 신호는 절전 신호일 수 있고, 언더클럭 신호, 언더볼팅 신호, 부분 모듈 오프 신호로 이루어진 준으로부터 선택된 하나 이상을 포함한다.
구체적으로, 언더클럭 신호는 프로세서를 제어하여 언더클럭 동작을 수행하도록 구성된다. 언더볼팅 신호는 프로세서를 제어하여 언더볼팅 동작을 수행하도록 구성된다. 부분 모듈 오프 신호는 프로세서의 일부 모듈을 종료시키도록 구성되며, 프로세서는 일반적으로 제어 모듈, 계산 모듈 및 저장 모듈 등과 같은 복수의 모듈로 나눌 수 있고, 연산 모듈은 복수의 연산 코어를 더 포함할 수 있고, 프로세서의 일부 모듈, 혹은 프로세서의 일부 연산 코어를 종료시켜 프로세서의 단위 시간당 에너지 소모를 감소시킴으로써, 배터리 수명을 향상시키는 목적을 달성할 수 있다.
일 실시예에서, 본 발명은 전술한 각 실시예에 따른 프로세서 제어 장치을 포함한 칩을 제공한다.
구체적으로, 칩(Chip)은 집적 회로의 캐리어로 지칭할 수 있고, 집적 회로가 설계, 제조, 패키징 및 테스트를 경과한 결과물으로서, 일반적으로 즉각 사용가능한 하나의 독립형 캐리어이다. 본 실시예에 따른 칩은, 프로세서 제어 장치의 각 유닛 및 회로를 하나의 칩에 통합시켜, 물리적인 공간을 절감함으로써 에너지 소모를 한층 더 감소시킨다.
일 실시예에서, 본 발명은 상기 칩을 포함한 칩 패키지 구조를 제공한다.
구체적으로, 칩 패키지 구조는 상기 구조를 통해 칩을 패키징하는 것을 의미하고, 칩을 패키징하는 케이스 하나를 통해 칩을 기판에 고정시켜, 칩을 장착, 고정, 밀봉 및 보호하고, 전열 성능을 향상시키는 역할을 한다. 또한, 칩 상의 접점은 도선에 의해 패키지 케이스의 핀에 연결될 수 있으며, 상기 핀은 기판 상의 도선을 통해 기타 소자에 연결된다.
또한, 프로세서 제어 장치 내의 센서 제어 유닛(230)은 연산 회로(210) 및 메모리(220)과 함께 하나의 칩 패키지 구조에 패키징 된 후, 스택 방식으로 패키징 될 수 있다.
상기 칩 구조는 연산 회로(210), 메모리(220) 및 센서 제어 유닛(230)의 물리적 거리를 단축함으로써, 에너지 소모를 보다 더 감소시킨다.
또한, 센서 제어 유닛(230)은 연산 회로(210) 및 메모리(220)과 함께 하나의 칩 패키지 구조에 패키징되거나, 다른 칩 패키지 구조에 각각 패키징되거나, 서로 다른 설비에 각각 설치될 수 있다.
일 실시예에서, 본 발명은 상기 칩 패키지 구조를 포함한 기판을 제공한다.
구체적으로, 기판은 인쇄 회로 기판이며, 제작시 페룰을 갖고 있으며, 페룰을 슬롯에 삽입시켜 외부 설비와 연결되도록 한다.
일 실시예에서, 상기 기판를 포함한 전자 장치가 제공된다.
구체적으로, 전자 장치는 로봇, 컴퓨터, 프린터, 스캐너, 태블릿 컴퓨터, 스마트 단말기, 핸드폰, 블랙박스, 내비게이터, 캠, 클라우드 서버, 카메라, 비디오 카메라, 프로젝터, 손목 시계, 헤드셋, 휴대용 저장기기, 웨어러블 설비, 교통수단, 가전 제품, 의료 기기로 이루어진 군으로부터 선택된 하나 또는 그 조합을 포함한다. 여기서, 교통수단은 비행기, 선박 또는 차량으로 이루어진 군으로부터 선택된 하나 이상을 포함한다. 가전 제품은 텔레비전, 에어컨, 전자레인지, 냉장고, 전기 밥솥, 가습기, 세탁기, 조명, 가스레인지, 레인지 후드로 이루어진 군으로부터 선택된 하나 이상을 포함한다. 의료 기기는 자기공명 기기, 초음파 기기 또는 심전도 기기로 이루어진 군으로부터 선택된 하나 이상을 포함한다.
도 9를 참조하면, 일 실시예에서 또 다른 전자 장치가 제공되며, 여기서, 센서, 프로세서 및 전술한 각 실시예에 따른 프로세서 제어 장치를 포함하며, 여기서 프로세서 제어 장치는 프로세서에 연결되고, 센서는 프로세서 및/또는 프로세서 제어 장치에 연결되며, 상기 프로세서 제어 장치의 단위 시간당 전력 소모는 프로세서의 단위 시간당 전력 소모보다 낮다. 구체적으로, 전자 장치(900)에서, 센서(910), 프로세서 제어 장치(920) 및 프로세서(930)를 포함할 수 있다. 여기서 프로세서 제어 장치(920)는 프로세서(930)에 연결되고, 센서(910)는 프로세서(930) 및 프로세서 제어 장치(920)에 연결된다. 센서(910)는 환경 정보를 수집하도록 구성되고, 수집한 환경 정보를 센서 데이터로서 프로세서 제어 장치(920)에 전송한다.
여기서, 센서(910)는 캠, 카메라, 밀리미터파 레이더, 적외선 장치, 마이크로폰, 음파 수신기, 레이저 레이더로 이루어진 군으로부터 선택된 하나 또는 그 조합일 수 있다. 센서에 의해 수집된 환경 정보는 시각 정보, 소리 정보, 미각 정보, 촉각 정보, 중력 감지 정보 등 표상 센서가 처한 환경의 정보로 이루어진 군으로부터 선택된 하나 또는 이들의 조합일 수 있다.
프로세서(930)는 전자설비의 메인 프로세서일 수 있고, 전체 전자설비에 대한 제어를 구현하도록 구성되며, 에너지를 소모가 비교적 크다. 프로세서 제어 장치(920)는 코 프로세서로서, 센서에 의해 수집된 센서 데이터를 수신하여 처리하고, 프로세서(300)를 제어하기 위한 제어 신호를 출력하며, 제어 신호에 따라 프로세서(300)를 제어하도록 구성된다. 프로세서 제어 장치(920)의 단위 시간당 에너지 소모는 프로세서(930)의 단위 시간당 에너지 소모보다 적어야 한다는 것을 알 수 있다.
본 실시예에 제시된 전자 장치에서, 센서(910)는 프로세서 제어 장치(920) 및 프로세서(930)에 별도 연결된다. 즉, 센서(910)의 센서 데이터는 프로세서 제어 장치(920)으로 전송되거나, 직접 프로세서(930)로 전송될 수 있다. 다른 실시예에서, 센서(910)는 프로세서 제어 장치(920)에만 연결될 수 있으며, 즉, 센서 데이터는 프로세서 제어 장치로만 전송한다.
전술한 전자 설비는 획득된 센서 데이터를 통해 프로세서를 제어할 수 있고, 프로세서를 종료시키거나 언더클럭 동작, 언더볼팅 동작, 부분 모듈 오프 동작을 수행하도록 하는 제어를 포함한다. 이 과정에서 센서는 항시 환경 정보를 수집할 수 있으며, 프로세서 제어 장치도 센서가 전송한 환경 정보에 항시 응답함으로써, 상기 응용 시나리오에서 프로세서 제어 장치는 프로세서를 제어하여 전력 소모를 효과적으로 감소시킬 수 있다. 또한, 센서는 항시 외부 정보를 수집하고, 프로세서 제어 장치도 항시 센서가 수집한 외부 정보에 따라 제어 신호를 생성하므로, 상기 전자장치의 전력 소모를 감소시키는 한편, 외부 정보에 항시 응답할 수 있다.
본 출원의 각각 실시예에 따른 방법에서, 실행 주체（Execution Subject）는 전술한 실시예에 의해 제공되는 프로세서 제어 장치일 수 있으며, 상기 장치는 소프트웨어, 하드웨어 또는 소프트웨어와 하드웨어의 조합으로 구현될 수 있고, 상기 장치는 독립적으로 구성되거나, 어떤 설비에 집적되어 구성될 수 있다. 예를 들어 어떤 가정용 로봇에 집적될 수 있다. 설명의 편의를 위해, 본 출원의 각각 실시예에 포함된 방법에서, 달리 특정하지 않는 한, 상기 실행 주체（Execution Subject）는 하드웨어에 의해 구현되는 프로세서 제어 장치이다.
도 10을 참조하면, 도 10 은 일 실시예에 따른 프로세서 제어 방법의 흐름도이다. 상기 방법은 다음 단계들을 포함한다.
S110단계: 센서 데이터를 획득한다.
구체적으로, 프로세서 제어 장치는 우선 센서 데이터를 획득하고, 센서 데이터는 센서에 의해 직접 수집된 환경 정보이거나, 센서에 의해 수집된 환경 정보를 추가 처리하여 얻어진 데이터일 수 있다.
S130단계: 상기 센서 데이터와 설정된 키 정보의 매칭 여부를 판단한다.
구체적으로, 프로세서 제어 장치는 센서 데이터와 설정된 키 정보의 매칭 여부를 판단한다. 설정된 키 정보는 프로세서 제어 장치가 현재의 판단을 수행하기 전에 획득한 정보이고, 사용자가 구체적인 수요에 따라 입력한 정보이거나 또는 프로세서 제어 장치가 현재의 판단을 수행하기 전에 계산하여 획득한 정보일 수 있다. 예를 들어, 설정된 키 정보는 특정 물체의 이미지 정보이거나, 특정 음성 정보이거나, 또는 특정 레이더 스캔 정보일 수 있다. 즉, 본 실시예에서 설정된 키 정보의 구체적인 유형을 한정하지 않는다.
또한, 프로세서 제어 장치는 컨벌루션 뉴럴 네트워크(Convolutional Neural Network, CNN) 를 통해 센서 데이터를 인식하고, 센서 데이터가 설정된 키 정보와 매칭 여부를 판단할 수 있다.
S150단계: 매칭될 경우, 제어 명령이 출력되고, 상기 제어 명령은 상기 프로세서를 제어하도록 구성된다.
구체적으로, 센서 데이터가 설정된 키 정보와 매칭되지 않는 경우, 제어 명령이 출력되고, 제어 명령은 디지털 신호 또는 아날로그 신호일 수 있다. 또한, 제어 명령은 비교적 복잡한 디지털 신호일 수 있으며, 디지털 신호에 따라 메인 프로세서에 대한 보다 복잡한 제어를 구현한다. 예를 들어, 출력된 제어 명령은 한 두자리의 이진법 디지털 신호이며, 설정된 제어 프로토콜에서 디지털 신호의 상이한 숫자에 상이한 제어 명령을 대응시키고, 상이한 제어 명령에 따라 프로세서에 대한 제어를 구현한다. 제어 신호는 음성 신호, 화상 신호와 같은 다른 포맷의 제어 신호일 수 있다. 즉, 본 실시예에서 제어 신호의 유형을 제한하지 않는다.
선택적으로, 제어 명령은 턴온 명령을 포함하며, 턴온 명령은 프로세서를 작동하도록 구성된다. 즉, 프로세서가 오프 상태인 경우, 프로세서 제어 장치가 턴온 명령을 출력하면 프로세서는 작동하기 시작한다.
선택적으로, 제어 명령은 언더클럭 명령, 언더볼팅 명령, 부분 모듈 오프 명령으로 이루어진 군으로부터 선택된 하나 이상을 포함할 수 있다. 언더클럭 명령은 프로세서가 언더클럭 동작을 수행하도록 제어하는데 사용된다. 언더볼팅 명령은 프로세서가 언더볼팅 동작을 수행하도록 제어하기 위한 것이다. 부분 모듈 오프 명령은 프로세서의 일부 모듈을 종료시키기 위한 것이며, 프로세서는 일반적으로 제어 모듈, 계산 모듈 및 저장 모듈 등과 같은 복수의 모듈로 나눌 수 있고, 연산 모듈은 또 복수의 연산 코어를 포함할 수 있으며, 프로세서의 일부 모듈 혹은 프로세서의 일부 연산 코어를 종료시키는 것을 통하여 프로세서의 단위 시간당 에너지 소모를 감소시킴으로써, 배터리 수명을 향상시키는 목적을 달성할 수 있다.
상기 실시예에 의해 제공되는 프로세서 제어 방법은 설정된 키 정보에 따라 프로세서의 턴온 여부 또는 작동중인 프로세서의 전력 소모를 감소시킬 필요 유무를 판단할 수 있다. 즉, 센서 데이터가 설정된 키 정보와 매칭할 경우만 프로세서를 작동시켜 프로세서가 작동 상태에 있게 하거나, 또는 프로세서가 작동 상태에 있을 경우, 언더클럭, 언더볼팅, 부분 모듈 오프 등 방법을 통하여 상기 프로세서의 에너지 소모를 줄일 수 있다. 이로 하여 본 실시예에서 제공된 프로세서 제어 방법은 에너지 소모를 감소시키고 배터리 수명을 향상시킨다.
일 실시예에서, 여전히 도 10을 참조하면, 센서 데이터가 설정된 키 정보와 매칭되지 않는다고 판단된 경우, S110단계를 계속 실행하여 센서 데이터를 획득한다.
구체적으로, 프로세서 제어 장치가 센서 데이터와 설정된 키 정보가 매칭되지 않는다고 판단된 후, 센서 데이터를 계속 획득할 수 있다. 즉, 센서 데이터는 프로세서 제어 장치에 지속적으로 입력되고, 프로세서 제어 장치는 새로운 센서 데이터와 설정된 키 정보는 매칭 여부를 계속해서 판단한다.
상기 실시예에 의해 제공되는 프로세서 제어 방법은, 센서 데이터가 설정된 키 정보와 매칭되지 않을 경우, 센서 데이터를 획득하는 단계를 계속 수행하며, 이로써 오버 헤드 감소 및 에너지 소모 감소를 구현하는 한편, 센서가 획득한 데이터의 손실을 방지하여, 프로세서 제어 장치가 프로세서를 보다 정확하게 제어할 수 있다.
도11을 참조하면, 도11은 구체적인 일 실시예에 따른 프로세서 제어 방법의 흐름도이다. S130단계에서, 센서 데이터와 설정된 키 정보의 매칭 여부를 판단하는 단계 전에, 상기 방법은 다음 단계를 포함한다:
S120단계, 상기 센서 데이터가 설정된 조건에 부합되는지 여부를 판단하고, 부합할 경우, S130단계인 센서 데이터와 설정된 키 정보의 매칭 여부를 판단하는 단계를 계속 수행한다.
구체적으로, 설정된 조건은, 설정된 시간 간격, 현재의 센서 데이터와 지난 회차의 센서 데이터가 상이하다는 점을 포함하나, 이에 제한되는 것은 아니다. 상이한 수요에 따라, 상이한 조건을 사전 설정할 수 있다.
구체적으로, 센서 데이터가 설정된 조건을 만족할 경우, 센서 데이터와 설정된 키 정보의 매칭 여부를 판단하는 단계가 계속 수행된다.
선택적으로, 설정된 조건은 사전 설정된 시간 간격일 수 있다. 예를 들어, 사전 설정된 시간 간격이 5초인 경우, 센서 데이터와 설정된 키 정보의 매칭 여부를 판단하는 단계는 5초를 간격으로 수행된다 .
선택적으로, 설정된 조건은 현재의 센서 데이터와 지난 회차의 센서 데이터의 일치하는지 여부일 수 있다. 일치할 경우, 센서 데이터와 설정된 키 정보의 매칭 여부의 판단 단계를 추가로 수행한다. 또한, 센서 데이터가 비디오 데이터인 경우, 현재의 센서 데이터는 비디오 스트리밍 과정에서 현재의 프레임이고, 지난 회차의 센서 데이터는 비디오 스트리밍 과정에서의 이전 프레임이며, 전후 프레임이 일치할 경우, 센서 데이터와 설정된 키 정보의 매칭 여부의 판단 단계를 추가로 수행한다.
절술한 실시예에 의해 제공되는 프로세서 제어 방법에서, 센서 데이터와 설정된 키 정보의 매칭 여부를 판단하는 단계를 수행하기 전에, 우선 설정된 조건에 부합하지 않는 센서 데이터를 필터링한다. 즉, 설정된 조건을 만족하는 센서 데이터에 한해서만 설정된 키 정보와 매칭되는지 여부를 판단하는 단계를 수행한다. 따라서, 계산으로 인한 오버 헤드를 줄이고, 에너지 소모를 보다 감소시킨다.
일 실시예에서, 센서 데이터가 설정된 조건에 부합하지 않을 경우, 센서 데이터를 획득하는 단계가 계속 수행된다
구체적으로, 센서 데이터가 설정된 조건을 만족하지 않을 경우, 프로세서 제어 장치는 센서 데이터를 획득하는 S110단계를 계속하여 수행한다. 새로운 센서 데이터에 따라, 새로운 센서 데이터와 설정된 키 정보의 매칭 여부를 판단한다.
상기 실시예에 의해 제공되는 프로세서 제어 방법에서, 센서 데이터가 설정된 조건에 부합하지 않을 경우, 센서 데이터를 획득하는 단계가 계속 수행됨으로써, 오버 헤드를 줄이고 에너지 소모를 감소시키는 한편, 센서로부터 수집된 데이터의 손실을 방지하여, 프로세서 제어 장치는 프로세서에 대해 보다 정확한 제어를 구현할 수 있다.
본 실시예에 관한 상기 센서 데이터가 설정된 키 정보와 매칭 여부를 판단하는 구체적인 방법에서, 센서 데이터와 설정된 키 정보의 유사도를 계산하는 방법에 의해 센서 데이터와 설정된 키 정보의 매칭 여부를 판단할 수 있고, 신경망 계산 모델을 미리 설정하여 센서 데이터를 신경망 시스템에 입력하여 출력 결과를 산출한 후, 출력 결과에 따라 설정된 키 정보와 매칭되는지 여부를 판단할 수 있다. 선택적으로, 도12에 제시한 방법을 통해 구현할 수 있다. 도12를 참조하면, 도12는 일 실시예에 제공된 프로세서 제어 방법의 일부 흐름도이며, 도10 또는 도11에 제시된 실시예를 기반으로, 상기 센서 데이터와 설정된 키 정보의 매칭 여부를 판단하는 단계인 S130단계는 다음 단계를 더 포함한다:
S131단계: 상기 센서 데이터에 따라 설정된 계산 모델을 통해 출력 결과를 획득한다.
구체적으로, S110단계 에서 획득한 센서 데이터에 따라 , 설정된 연산 모델을 통해 센서 데이트에 대한 계산을 수행한다. 또한, 계산 모델은 기기의 알고리즘 트레이닝 학습을 통해 획득한 모델이며, 즉 감독기능을 갖는 머신 러닝 알고리즘(supervised machine learning algorithm)으로 트레이닝하여 얻은 모델이거나, 비감독기능의 머신 러닝 알고리즘(unsupervised machine learning algorithm)으로 신경망 트레이닝하여 얻은 모델일 수 있다.
선택적으로, 신경망를 이용하여 계산 모델을 트레이닝할 수 있으며, 즉 트레이닝 샘플을 신경망의 입력으로 하여 출력 결과를 얻고, 출력 결과를 기대값과 비교한 후, 그래디언트 디센트 알고리즘을 통해 신경망 내의 가중치를 조정하며, 출력 결과가 기대값에 부합할 때까지 진행한다. 신경망 트레이닝을 통해 얻은 계산 모델은 복잡한 센서 신호에 대한 처리가 더 빠르고 정확할 수 있다. 또한, 트레이닝 샘플은 기존 검증된 지식에 따라 획득하거나, 다른 신경망에 의해 생성될 수 있다.
또한, 계산 모델은 저용량 모델과 고용량 모델로 나눌 수 있다. 여기서, 저용량 계산 모델은 계산 오버 헤드가 적지만, 센서 신호 처리의 정밀도가 비교적 낮은 이유로 복잡한 센서 데이터 처리에 적합하지 않다. 고용량 계산 모델은 복잡한 센서 데이터에 대한 처리에 적합하지만, 보다 높은 계산 오버 헤드를 필요로 한다.
S133단계: 상기 출력 결과가 설정된 제 1 역치보다 큰 경우, 센서 데이터는 설정된 키 정보와 매칭된다.
구체적으로, 제 1 역치은 특정 요구 사항에 따라 사용자에 의해 설정될 수 있거나, 하드웨어 한계 값에 따라 설정될 수 있다. 또한, 사용자가 민감도를 나태내는 파라미터를 입력 할 수 있고, 프로세서 제어 장치는 상기 파라미터에 따라 제 1 역치를 산출한다. 예를 들어, 실제 응용과정에서 출력 결과는 일반적으로 [0, 1] 범위 내의 값을 갖고 있으며, 사용자가 보다 높은 민감도를 필요로 하는 경우, 상응한 보다 낮은 역치, 예를 들어, 0.3으로 설정될 수 있다. 사용자가 보다 높은 민감도를 필요로 하는 경우, 보다 높은 역치, 예를 들어, 0.7로 설정될 수 있다. 제 1역치가 높을수록, 센서 데이터와 설정된 키 정보의 매칭 확률은 낮아지고, 프로세서의 작동 확율도 낮아진다. 반대로, 제 1 역치가 낮을수록, 센서 데이터와 설정된 키 정보의 매칭 확률이 높아지고, 프로세서의 작동 확율도 높아진다.
S135단계: 상기 출력 결과가 설정된 제 1 역치보다 작거나 같은 경우, 센서 데이터는 설정된 키 정보와 매칭되지 않는다.
구체적으로, 출력 결과가 설정된 제 1 역치보다 크지 않을 경우, 센서 데이터가 설정된 키 정보와 매칭되지 않는 것으로 판단된다.
상기 실시예에 따른 프로세서 제어 방법에서, 신경망 알고리즘을 이용하여 센서 데이터와 설정된 키 정보의 매칭 여부를 판단함으로써, 보다 높은 정밀도 및 유연성을 갖고 있다. 전용 신경망 프로세서와 결합하면 에너지 소모가 더 낮아진다. 이로써 계산 오버 헤드를 보다 줄이고 에너지 소모를 줄인다.
도13을 참조하면, 도13은 일 실시예에 따른 프로세서 제어 방법의 부분 흐름도이다. 여기서, 상기 계산 모델은 제 1 계산 모델 및 제 2 계산 모델을 포함하며, 제 1 계산 모델의 용량은 제 2 계산 모델의 용량보다 크다. 도12에서 제시된 프로세서 제어 방법에 기초하여, 상기 센서 데이터에 따라 사전 설정된 계산 모델을 통해 출력결과를 계산하는 S131단계는 다음 단계를 포함한다 :
S131a단계: 제 1 계산 모델을 획득하고, 상기 센서 데이터에 따라 상기 제 1 계산 모델을 통하여 제 1 중간 결과를 산출한다.
구체적으로, 제 1 계산 모델의 계산 오버헤드가 보다 적기 때문에, 제1계산 모델을 통하여 획득한 환경 정보에 따라 제 1 중간 결과를 산출할 수 있다. 센서 데이터를 저용량 모델의 입력으로 하고, 계산을 통해 제1 중간 결과가 얻을수 있다.
S131b단계: 상기 제 1 중간 결과가 제 2 역치보다 큰지 여부를 판단한다.
S131c단계, 상기 제 1 중간 결과가 제 2 역치보다 큰 경우. 제 2 계산 모델을 획득하고, 상기 센서 데이터에 따라 제2계산 모델을 통하여 출력 결과를 산출한다.
구체적으로, 제1중간 결과가 제 2 역치보다 큰 경우, 제 2 계산 모델을 추가로 이용할 필요가 있으며, 마찬가지로 센서 데이터를 제 2 계산 모델의 입력값으로 하고, 계산을 통해 출력 결과를 얻는다.
상기 실시예에 따른 프로세서 제어 방법에서 계산 모델은 제 1 계산 모델과 제 2 계산 모델로 추가로 나뉘어진다. 센서 데이터에 대해, 낮은 계산 오버 헤드를 갖는 저용량 모델이 먼저 사용됨으로써 계산 오버 헤드를 한층 더 줄이고 에너지 소모를 감소시킨다.
일 실시예에서, 제 1 중간 결과가 제 2 역치보다 크지 않은 경우, 상기 프로세서 제어 방법은 단음 단계를 포함한다:
크지 않은 경우, 센서 데이터를 획득하는 S110단계가 수행된는 단계.
구체적으로, 제 1 중간 결과가 제 2 역치보다 크지 않은 경우, 새로운 센서 데이터를 획득하는 단계가 계속 수행되고, 새로운 센서 데이터에 근거하여 프로세서를 작동할 필요가 있는지 여부를 판단한다.
도 10~13의 흐름도에서, 각 단계는 화살표에 따라 순차적으로 표시되었지만, 해당 단계들은 반드시 화살표가 표시한 순서로 수행되는 것은 아니라는 점에 유의해야 한다. 본 명세서에 명확하게 언급한 경우를 제외하고, 해당 단계의 수행은 특별한 순서 제한이 없으며, 해당 단계들은 다른 순서에 따라 수행될 수 있다. 또한, 도 10~13 중의 적어도 일부 단계는 복수의 서브 단계 또는 복수의 절차를 포함할 수 있으며, 해당 서브 단계 또는 절차는 반드시 동시에 수행되는 것은 아니며, 상이한 시간에 수행될 수 있고, 해당 서브 단계 또는 절차의 수행 순서는 반드시 순차적으로 수행되는 것은 아니며, 다른 단계 또는 다른 단계의 서브 단계 또는 절차의 적어도 일부와 번갈아서 또는 교대로 수행될 수 있다.
일 실시예에서, 본 발명은 프로세서 제어 모듈을 제공하며, 상기 제어 모듈은,
센서 데이터를 획득하도록 구성된 데이트 획득 유닛;
상기 센서 데이터가 설정된 키 정보와 매칭 여부를 판단하도록 구성된 정보 매칭 유닛;
제어 명령을 출력하도록 사용되며, 상기 제어 명령은 프로세서를 제어하도록 구성된 제어 명령 출력 유닛을 포함한다.
구체적으로, 상기 프로세서 제어 모듈의 구체적인 제한 및 발명 효과는 상기 프로세서 제어 방법의 구체적인 제한 및 발명 효과를 참조할 수 있으며, 여기서 상세한 설명은 생략한다.
일 실시예에서, 메모리, 연산 회로 및 메모리에 저장된 컴퓨터 프로그램을 포함하는 칩 시스템이 제공되며, 상기 연산 회로가 컴퓨터 프로그램을 실행할 경우, 전술한 실시예에 따른 방법의 단계가 실현된다.
구체적으로, 상기 칩 시스템의 구체적인 제한 및 발명 효과는 상기 프로세서 제어 방법의 구체적인 제한 및 발명 효과를 참조할 수 있으며, 여기서 상세한 설명은 생략한다.
상기 실시예는 소프트웨어, 하드웨어, 펌웨어 또는 이들의 임의 조합에 의해 전체 또는 부분적으로 구현될 수 있다. 소프트웨어 프로그램으로 구현될 때, 전체 또는 부분적으로 컴퓨터 프로그램 제품의 형태로 구현할 수 있으며, 상기 컴퓨터 프로그램 제품은 하나 이상의 컴퓨터 명령을 포함할 수 있다. 컴퓨터에서 상기 컴퓨터 프로그램 명령을 로드하거나 실행할 때, 전체 또는 부분적으로 본 발명 실시예에 따른 프로세스 또는 기능에 진행하게 된다. 여기서, 상기 컴퓨터는 범용 컴퓨터, 전용 컴퓨터, 컴퓨터 네트워크 또는 다른 프로그래머블 장치일 수 있으며, 상기 컴퓨터 명령은 컴퓨터 판독가능 저장 매체에 저장할 수 있고, 또는 하나의 컴퓨터 판독가능 저장 매체로부터 다른 컴퓨터 판독가능 저장 매체로 전송할 수 있다. 예를 들어, 상기 컴퓨터 명령은 웹 사이트, 컴퓨터, 서버 또는 데이터 센터로부터 유선(예 : 동축 케이블, 광섬유 디지털 가입자 회선 DSL) 또는 무선(예 : 적외선, 무선, 전자레인지 등) 방식을 통해 다른 웹 사이트, 컴퓨터, 서버 또는 데이터 센터에 전송할 수 있으며; 상기 컴퓨터 판독가능 저장 매체는 컴퓨터가 액세스 가능한 임의 가용 매체 또는 하나 이상의 가용 매체를 집적한 서버, 데이터 센터 등과 같은 데이터 저장 장치일 수 있다. 상기 가용 매체는 플로피 디스크, 하드 디스크, 자기 테이프, 광학 매체(예: DVD) 또는 반도체 매체(예: 고체 하드 디스크 SSD) 등과 같은 자기 매체 일 수 있다.
당업자는 본 출원의 실시예가 컴퓨터 장치 또는 판독 가능 저장 매체와 같은 컴퓨터 프로그램 제품으로서 제공될 수 있다는 것을 이해할 것이다. 따라서, 본 출원은 전적인 하드웨어 실시예, 전적인 소프트웨어 실시예 또는 소프트웨어와 하드웨어의 조합으로 된 실시예의 형태를 취할 수 있다. 또한, 본 출원은 컴퓨터 가용 프로그램 코드를 포함한 하나 이상의 컴퓨터 가용 저장 매체(디스크 저장 장치, CD-ROM , 광학 저장 장치 등을 포함하나, 이에 제한되지 않음) 상에 실현된 컴퓨터 프로그램 제품의 형태를 취할 수 있다.
본 출원은 본 출원의 실시예에 따른 방법, 설비(시스템) 및 컴퓨터 프로그램 제품의 흐름도 및/또는 블록도를 참조하여 설명된다. 흐름도 및/또는 블록도 중의 모든 흐름 및/또는 블록, 흐름도 및/또는 블록도 중의 흐름 및/또는 블록의 조합은 컴퓨터 프로그램으로 구현될 수 있음을 이해할 것이다. 이러한 컴퓨터 프로그램 명령들은 범용 컴퓨터, 전용 컴퓨터, 내장형 프로세서 또는 다른 프로그래머블 데이터 프로세싱 설비의 프로세서에 제공됨으로써 하나의 기계가 생선하여, 컴퓨터 또는 다른 프로그래머블 데이터 프로세싱 설비의 프로세서를 통해 실행된 명령에 의해 장치를 생성하게 되며, 상기 장치는 흐름도의 하나 이상의 흐름 및/또는 블록도의 하나 이상의 블록 내에 지정된 기능을 구현하도록 구성된다.
이러한 컴퓨터 프로그램 명령은 컴퓨터 또는 다른 프로그래머블 데이터 프로세싱 설비가 특정 방식으로 작동하도록 지시할 수 있는 컴퓨터 판독판독가능 메모리에 저장될 수 있어, 상기 컴퓨터 판독판독가능 메모리에 저장된 명령은 명령 장치를 포함하는 제품을 생성할 수 있으며, 상기 명령 장치는 흐름도의 하나 이상의 흐름 및/또는 블록도의 하나 이상의 블록 내에 지정된 기능을 구현하도록 구성된다.
이러한 컴퓨터 프로그램 명령은 컴퓨터 또는 다른 프로그래머블 데이터 프로세싱 설비에 로딩되어, 컴퓨터 또는 다른 프로그래머블 설비에서 일련의 동작 단계가 수행됨으로써 컴퓨터에 의해 구현된 처리를 생성하며, 이로 하여 컴퓨터 또는 다른 프로그래머블 설비 상에서 수행된 명령은 흐름도의 하나 이상의 흐름 및/또는 블록도의 하나 이상의 블록 내에 지정된 기능을 구현하기 위한 단계를 제공하게 된다.
전술한 실시예의 기술적 특징은 임의로 조합될 수 있고, 설명의 간략화를 위해, 상기 실시예의 기술적 특징의 모든 가능한 조합은 기술되지 않았지만, 이들 기술적 특징의 조합에 모순이 없는 한, 모두 본 명세서의 범위로 간주되어야 한다.
본 출원에 제공된 몇몇 실시예에서, 개시된 시스템, 설비 및 방법은 본 출원을 벗어나지 않는 범위에서, 다른 방식으로 구현될 수 있다는 것으로 이해해야 한다. 예를 들어, 전술한 실시예는 단지 예시적인 것으며, 예를 들어, 상기 모듈 또는 유닛의 분할은 논리 기능 분할의 일종일 뿐이고, 실제 구현에서 다른 분할 방식이 있을 수 있으며, 예를 들어, 복수의 유닛 또는 컴포넌트는 결합할 수 있거나 다른 시스템에 집적될 수 있고, 혹은 일부 특징을 무시하거나 실행하지 않을 수 있다. 여기서, 상기 분리 부품으로 설명된 유닛은 물리적으로 분리되어 있거나 물리적으로 분리되어 있지 않을 수 있으며, 유닛으로 표시되는 부품은 물리적인 유닛이거나 아닐 수 있다. 즉, 한 곳에서 배치되거나 복수의 네트워크 유닛에 분포될 수 있다. 실제 수요에 따라 모듈의 일부 또는 전부는 선택하여 본 실시예 방안의 목적을 달성할 수 있다.
전술한 실시예는 본 발명의 몇몇 실시방밥만 설명한 것일 뿐이며, 그 설명은 비교적 구체적이고 상세하지만, 본 발명의 청구 범위를 제한하는 것으로 해석되어서는 안된다. 당업자에게, 본 발명의 구상을 벗어나지 않는 전제하에서 이루어진 다양한 변형 및 개선은 모두 본 발명의 범주에 속하는 것은 자명하다. 따라서, 본 발명의 범위는 첨부된 청구 범위에 의해 결정되어야 한다.

Claims (30)

  1. 프로세서 제어 장치로서,
    연산 회로 및 메모리를 포함하되, 상기 연산 회로와 상기 메모리는 연결되고, 상기 연산 회로는 획득된 센서 데이터에 따라 제어 신호를 출력하도록 구성되며, 상기 제어 신호는 프로세서를 제어하도록 구성되는 것을 특징으로 하는 프로세서 제어 장치.
  2. 제1항에 있어서,
    상기 메모리는 휘발성 메모리 및 비휘발성 메모리를 포함하고, 상기 휘발성 메모리는 중간 데이터를 버퍼링하도록 구성되며, 상기 비휘발성 메모리는 계산 모델을 저장하도록 구성되는 것을 특징으로 하는 프로세서 제어 장치.
  3. 제2항에 있어서,
    상기 계산 모델은 제 1 계산 모델 및 제 2 계산 모델을 포함하고, 상기 제 1 계산 모델의 용량은 상기 제 2 계산 모델보다 작으며,
    상기 비휘발성 메모리는 제 2 계산 모델을 저장하기 위한 고용량 모델 메모리 및 제 1 계산 모델을 저장하기 위한 저용량 모델 메모리를 포함하며, 상기 고용량 모델 메모리의 저장 용량은 저용량 저장 모델의 저장 용량보다 큰 것을 특징으로 하는 프로세서 제어 장치.
  4. 제1항에 있어서,
    상기 연산 회로는 메인 프로세싱 회로, 베이스 프로세싱 회로 및 브랜치 프로세싱 회로를 포함하며,
    상기 메인 프로세싱 회로는 브랜치 프로세싱 회로에 연결되고, 브랜치 프로세싱 회로는 베이스 프로세싱 회로에 연결되는 것을 특징으로 하는 프로세서 제어 장치.
  5. 제4항에 있어서,
    상기 메인 프로세싱 회로는 제어 회로, 벡터 연산기 회로, 산술 논리 연산회로, 누산기 회로 및 직접 메모리 액세스 회로를 포함하는 것을 특징으로 하는 프로세서 제어 장치.
  6. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 연산 회로는 신경망 알고리즘을 수행하기 위한 신경망 프로세싱 유닛을 포함한 것을 특징으로 하는 프로세서 제어 장치.
  7. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 프로세서 제어 장치는 상기 연산 회로에 연결된 센서 제어 유닛을 포함하고, 상기 센서 제어 유닛은 프로세서 제어 장치와 센서 사이의 신호 전송을 제어하는 것을 특징으로 하는 프로세서 제어 장치.
  8. 제7항에 있어서,
    상기 센서 제어 유닛은 컨트롤러 및 버퍼를 포함하고, 상기 컨트롤러는 상기 버퍼와 통신 연결되며;
    상기 컨트롤러는 센서를 제어하도록 구성되고,
    상기 버퍼는 센서에서 전송된 센서신호를 하도록 구성되는 것을 특징으로 하는 프로세서 제어 장치.
  9. 제8항에 있어서,
    상기 센서 제어 유닛은 구성 메모리를 더 포함하고, 상기 구성 메모리는 상기 컨트롤러에 연결되며;
    상기 구성 메모리는 사용자가 입력한 인터랙티브 정보를 저장하도록 구성되는 것을 특징으로 하는 프로세서 제어 장치.
  10. 제1항 내지 제9항에 있어서,
    상기 제어 신호는 상기 프로세서의 턴온 또는 턴오프를 제어하기 위한 스위칭 신호인 것을 특징으로 하는 프로세서 제어 장치.
  11. 제10항에 있어서,
    상기 프로세서 제어 장치는 전원 제어기를 포함하고, 상기 전원 제어기는 연산 회로에 연결되며,
    상기 전원 제어기는 상기 연산 회로가 생성한 스위칭 신호에 따라 프로세서의 턴온 및 턴오프를 제어하도록 구성되는 것을 특징으로 하는 프로세서 제어 장치.
  12. 제11항에 있어서,
    상기 전원 제어기는 스위치 제어기 및 전원 인터페이스를 포함하고, 상기 스위치 제어기는 상기 연산 회로와 상기 전원 인터페이스 사이에서 직렬로 연결되는 것을 특징으로 하는 프로세서 제어 장치.
  13. 제1항 내지 제9항에 있어서,
    상기 제어 신호는 절전 신호이고, 상기 절전 신호는 언더클럭 신호, 언더볼팅 신호, 부분 모듈 오프 신호로 이루어진 군으로부터 선택된 하나 이상을 포함하는 것을 특징으로 하는 프로세서 제어 장치.
  14. 칩으로서,
    상기 제1항 내지 제13항 중 어느 한 항에 따른 프로세서 제어 장치를 포함하는 것을 특징으로 하는 칩.
  15. 칩 패키지 구조로서,
    상기 제14항에 따른 칩을 포함하는 것을 특징으로 하는 칩 패키지 구조.
  16. 기판으로서,
    상기 제15항에 따른 칩 패키지 구조를 포함하는 것을 특징으로 하는 기판.
  17. 전자 장치로서,
    상기 제16항에 따른 기판을 포함하는 것을 특징으로 하는 전자 장치.
  18. 전자 설비로서,
    상기 전자 설비는 센서, 프로세서 및 상기 제1항 내지 제13항 중 어느 한 항에 따른 프로세서 제어 장치를 포함하며;
    상기 프로세서 제어 장치는 상기 프로세서에 연결되고, 상기 센서는 상기 프로세서 및/또는 상기 프로세서 제어 장치에 연결되며,
    상기 프로세서 제어 장치의 단위 시간당 전력 소모량은 상기 프로세서의 단위 시간당 전력 소모량보다 적은 것을 특징으로 하는 전자 설비.
  19. 프로세서 제어 방법으로서,
    센서 데이터를 획득하는 단계;
    상기 센서 데이터와 설정된 키 정보의 매칭 여부를 판단하는 단계;
    매칭될 경우, 상기 프로세서를 제어하기 위한 제어 명령을 출력하는 단계를 포함하는 것을 특징으로 하는 프로세서 제어 방법.
  20. 제19항에 있어서,
    상기 센서 데이터가 상기 설정된 키 정보와 매칭되지 않는 경우, 상기 방법은,
    상기의 센서 데이터를 수집하는 단계를 계속 수행하는 단계를 더 포함하는 것을 특징으로 하는 프로세서 제어 방법.
  21. 제19항에 있어서,
    상기의 센서 데이터와 설정된 키 정보의 매칭 여부를 판단하는 단계를 수행하기 전에, 상기 방법은,
    상기 센서 데이터가 설정된 조건에 부합하는지 여부를 판단하는 단계;
    부합된다고 판단될 경우, 상기의 센서 데이터와 설정된 키 정보의 매칭 여부를 판단하는 단계를 계속 수행하는 단계를 더 포함하는 것을 특징으로 하는 프로세서 제어 방법.
  22. 제21항에 있어서,
    상기의 센서 데이터가 설정된 조건에 부합되는지 여부를 판단하는 단계는,
    설정된 시간을 간격으로 상기 센서 데이터를 한 번씩 수집하는 단계를 포함하는 것을 특징으로 하는 프로세서 제어 방법.
  23. 제21항에 있어서,
    상기의 센서 데이터가 설정된 조건에 부합되는지 여부를 판단하는 단계는,
    현재의 센서 데이터 및 버퍼링 된 지난 회차의 센서 데이터를 획득하는 하는 단계;
    상기 현재의 센서 데이터와 상기 지난 회차의 센서 데이터의 일치 여부를 판단하는 단계;
    일치하지 않을 경우, 상기 센서 데이터는 설정된 조건에 부합된다고 판단하는 단계를 포함하는 것을 특징으로 하는 프로세서 제어 방법.
  24. 제21항 내지 제23항 중 어느 한 항에 있어서,
    상기 센서 데이터가 설정된 조건에 부합하지 않을 경우,
    상기의 센서 데이터를 수집하는 단계를 계속 수행하는 단계를 더 포함하는 것을 특징으로 하는 프로세서 제어 방법.
  25. 제19항에 있어서,
    상기의 센서 데이터와 설정된 키 정보의 매칭 여부를 판단하는 단계는,
    상기 센서 데이터에 따라 설정된 계산 모델을 통해 출력 결과를 산출하는 단계;
    상기 출력 결과가 설정된 제 1 역치보다 큰 경우, 센서 데이터는 설정된 키 정보와 매칭되는 단계;
    상기 출력 결과가 설정된 제 1 역치보다 작거나 같은 경우, 센서 데이터는 설정된 키 정보와 매칭되지 않는 단계를 포함하는 것을 특징으로 하는 프로세서 제어 방법.
  26. 제25항에 있어서,
    상기 계산 모델은 컨벌루션 뉴럴 네트워크 트레이닝에 의해 획득되는 것을 특징으로 하는 프로세서 제어 방법.
  27. 제25항 또는 제26항 중 어느 한 항에 있어서,
    상기 계산 모델은 제 1 계산 모델 및 제 2 계산 모델을 포함하며, 상기 제 1 계산 모델의 용량은 상기 제 2 계산 모델의 용량보다 크고,
    상기의 센서 모델에 따라 설정된 계산 모델을 통해 출력 결과를 산출하는 단계는,
    제 1 계산 모델을 획득한 후, 상기 센서 데이터에 따라 상기 제 1 계산 모델을 이용하여 제 1 중간 결과를 산출하는 단계;
    상기 제 1 중간 결과가 상기 제 2 역치보다 큰지 여부를 판단하는 단계;
    상기 제 1 중간 결과가 상기 제 2 역치보다 큰 경우, 제 2 계산 모델을 획득한 후, 센서 데이터에 따라 상기 제 2 계산 모델을 이용하여 출력 결과를 산출하는 단계를 포함하는 것을 특징으로 하는 프로세서 제어 방법.
  28. 제27항에 있어서,
    상기 제어 방법은
    상기 제 1 중간 결과가 제 2 역치 이하일 경우,
    상기의 센서 데이터를 수집하는 단계를 수행하는 단계를 포함하는 것을 특징으로 하는 프로세서 제어 방법.
  29. 제19항에 있어서,
    상기 제어 명령은 턴온 명령을 포함하며, 상기 턴온 명령은 프로세서가 작동되도록 하는 것을 특징으로 하는 프로세서 제어 방법.
  30. 제19항에 있어서,
    상기 제어 명령은 절전 명령을 포함하며, 상기 절전 명령은 언더클럭 명령, 언더볼팅 명령, 부분 모듈 오프 명령으로 이루어진 군으로부터 선택된 하나 이상을 포함하는 것을 특징으로 하는 프로세서 제어 방법.
KR1020197031418A 2018-02-14 2019-01-09 프로세서 제어 장치, 방법 및 설비 KR20200119706A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201810151580.2 2018-02-14
CN201810151580.2A CN110162162B (zh) 2018-02-14 2018-02-14 处理器的控制装置、方法及设备
PCT/CN2019/070923 WO2019157888A1 (zh) 2018-02-14 2019-01-09 处理器的控制装置、方法及设备

Publications (1)

Publication Number Publication Date
KR20200119706A true KR20200119706A (ko) 2020-10-20

Family

ID=67619770

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197031418A KR20200119706A (ko) 2018-02-14 2019-01-09 프로세서 제어 장치, 방법 및 설비

Country Status (6)

Country Link
US (1) US11513586B2 (ko)
EP (1) EP3623906A4 (ko)
JP (1) JP6761134B2 (ko)
KR (1) KR20200119706A (ko)
CN (3) CN116991225A (ko)
WO (1) WO2019157888A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024039105A1 (ko) * 2022-08-17 2024-02-22 삼성전자주식회사 모델들에 의하여 공통으로 이용되는 정보에 기반하여 모델들을 구동하기 위한 전자 장치 및 그 방법

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11437032B2 (en) 2017-09-29 2022-09-06 Shanghai Cambricon Information Technology Co., Ltd Image processing apparatus and method
US11630666B2 (en) 2018-02-13 2023-04-18 Shanghai Cambricon Information Technology Co., Ltd Computing device and method
US11397579B2 (en) 2018-02-13 2022-07-26 Shanghai Cambricon Information Technology Co., Ltd Computing device and method
EP3651072B1 (en) 2018-02-13 2021-10-27 Shanghai Cambricon Information Technology Co., Ltd Computation device and method
EP3624020A4 (en) 2018-05-18 2021-05-05 Shanghai Cambricon Information Technology Co., Ltd CALCULATION PROCEDURES AND RELATED PRODUCTS
JP7053891B2 (ja) 2018-06-27 2022-04-12 シャンハイ カンブリコン インフォメーション テクノロジー カンパニー リミテッド オンチップコードのブレークポイントによるデバッグ方法、オンチッププロセッサ及びブレークポイントによるチップデバッグシステム
KR102519467B1 (ko) 2018-08-28 2023-04-06 캠브리콘 테크놀로지스 코퍼레이션 리미티드 데이터 전처리 방법, 장치, 컴퓨터 설비 및 저장 매체
US11703939B2 (en) 2018-09-28 2023-07-18 Shanghai Cambricon Information Technology Co., Ltd Signal processing device and related products
CN111383637A (zh) 2018-12-28 2020-07-07 上海寒武纪信息科技有限公司 信号处理装置、信号处理方法及相关产品
CN111832738B (zh) 2019-04-18 2024-01-09 中科寒武纪科技股份有限公司 一种数据处理方法及相关产品
US20200334522A1 (en) 2019-04-18 2020-10-22 Cambricon Technologies Corporation Limited Data processing method and related products
US11676028B2 (en) 2019-06-12 2023-06-13 Shanghai Cambricon Information Technology Co., Ltd Neural network quantization parameter determination method and related products
CN112085183B (zh) 2019-06-12 2024-04-02 上海寒武纪信息科技有限公司 一种神经网络运算方法及装置以及相关产品
CN114563682B (zh) * 2020-11-27 2024-01-26 上海寒武纪信息科技有限公司 计算集成电路的静态延迟时序的方法及设备

Family Cites Families (187)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0375860A (ja) 1989-08-18 1991-03-29 Hitachi Ltd パーソナライズド端末
US5052043A (en) 1990-05-07 1991-09-24 Eastman Kodak Company Neural network with back propagation controlled through an output confidence measure
US6144977A (en) 1995-07-10 2000-11-07 Motorola, Inc. Circuit and method of converting a floating point number to a programmable fixed point number
GB9602701D0 (en) 1996-02-09 1996-04-10 Canon Kk Image manipulation
US7242414B1 (en) 1999-07-30 2007-07-10 Mips Technologies, Inc. Processor having a compare extension of an instruction set architecture
JP2000293371A (ja) 1999-04-09 2000-10-20 Hitachi Ltd マイクロプログラム制御方法及び装置
US6671796B1 (en) 2000-02-25 2003-12-30 Sun Microsystems, Inc. Converting an arbitrary fixed point value to a floating point value
US6931639B1 (en) 2000-08-24 2005-08-16 International Business Machines Corporation Method for implementing a variable-partitioned queue for simultaneous multithreaded processors
SK286661B6 (sk) 2000-09-07 2009-03-05 Nippon Steel Corporation Prostriedok neobsahujúci šesťmocný chróm na úpravu povrchu oceľových plechov pokovovaných cínovou alebo hliníkovou bázou a oceľový plech pokovovaný cínovou alebo hliníkovou bázou s upraveným povrchom
US20020138714A1 (en) 2001-03-22 2002-09-26 Sun Microsystems, Inc. Scoreboard for scheduling of instructions in a microprocessor that provides out of order execution
CN1270273C (zh) 2001-04-19 2006-08-16 艾利森电话股份有限公司 自适应存储器分配
US20030167460A1 (en) 2002-02-26 2003-09-04 Desai Vipul Anil Processor instruction set simulation power estimation method
US7236995B2 (en) 2002-12-27 2007-06-26 Arm Limited Data processing apparatus and method for converting a number between fixed-point and floating-point representations
DE10316381A1 (de) 2003-04-10 2004-10-28 Bayer Technology Services Gmbh Verfahren zum Training von neuronalen Netzen
JP4202244B2 (ja) 2003-12-22 2008-12-24 Ｎｅｃエレクトロニクス株式会社 Ｖｌｉｗ型ｄｓｐ，及びその動作方法
US20060161375A1 (en) * 2004-12-30 2006-07-20 Allen Duberstein Optimizing processing speed based on measured temperatures
US7721128B2 (en) * 2005-11-29 2010-05-18 International Business Machines Corporation Implementation of thermal throttling logic
US20070242973A1 (en) 2006-04-12 2007-10-18 Konica Minolta Business Technologies, Inc. Developing device and image forming apparatus
CN1851668A (zh) 2006-06-01 2006-10-25 北京天碁科技有限公司 片上系统芯片、片上系统芯片的跟踪调试系统及方法
DE102006059156B4 (de) 2006-12-14 2008-11-06 Advanced Micro Devices, Inc., Sunnyvale Verfahren zum Testen eines integrierten Schaltkreischips mit zumindest zwei Schaltungskernen sowie integrierter Schaltkreischip und Testsystem
US20110060587A1 (en) 2007-03-07 2011-03-10 Phillips Michael S Command and control utilizing ancillary information in a mobile voice-to-speech application
US8560591B2 (en) 2007-04-25 2013-10-15 International Business Machines Corporation Detection of potential need to use a larger data format in performing floating point operations
US8051117B2 (en) 2007-04-26 2011-11-01 International Business Machines Corporation Shift significand of decimal floating point data
US8051118B2 (en) 2007-04-26 2011-11-01 International Business Machines Corporation Composition of decimal floating point data
US8190664B2 (en) 2007-04-26 2012-05-29 International Business Machines Corporation Employing a mask field of an instruction to encode a sign of a result of the instruction
JP5184824B2 (ja) 2007-06-15 2013-04-17 キヤノン株式会社 演算処理装置及び方法
JP2009110353A (ja) 2007-10-31 2009-05-21 Hitachi Ltd マイクロコントローラ及び制御システム
US7904287B2 (en) * 2007-11-13 2011-03-08 International Business Machines Corporation Method and system for real-time prediction of power usage for a change to another performance state
JP4998794B2 (ja) 2007-11-29 2012-08-15 Ｎｋワークス株式会社 画像補正方法と画像補正装置
CN101639800A (zh) * 2008-08-01 2010-02-03 华为技术有限公司 一种显示屏显示方法及终端
US20100073068A1 (en) * 2008-09-22 2010-03-25 Hanwoo Cho Functional block level thermal control
CN101572829B (zh) 2009-06-10 2011-02-02 中国联合网络通信集团有限公司 Iptv视频质量监测方法、装置和系统
EP2336882A1 (en) 2009-12-18 2011-06-22 Telefonaktiebolaget L M Ericsson (PUBL) Technique for run-time provision of executable code using off-device services
CN102985673B (zh) * 2010-04-21 2015-06-17 丰田自动车株式会社 内燃机的控制装置
JP2011253374A (ja) 2010-06-02 2011-12-15 Sony Corp 情報処理装置、および情報処理方法、並びにプログラム
US8452463B2 (en) * 2010-06-04 2013-05-28 Apple Inc. Adjusting the thermal behavior of a computing system using indirect information about ambient temperature
US8694572B2 (en) 2010-07-06 2014-04-08 Silminds, Llc, Egypt Decimal floating-point fused multiply-add unit
CN102478953B (zh) * 2010-11-24 2015-07-22 原相科技股份有限公司 具有省电机制的触控系统与光学触控系统
JP5525467B2 (ja) * 2011-02-18 2014-06-18 株式会社日立製作所 センサデバイス、及びその制御方法
US8924455B1 (en) 2011-02-25 2014-12-30 Xilinx, Inc. Multiplication of matrices using systolic arrays
CN102761509B (zh) 2011-04-27 2016-01-06 联芯科技有限公司 Ofdm系统的接收系统及降低接收系统内存的方法
WO2012155105A1 (en) * 2011-05-12 2012-11-15 Apple Inc. Presence sensing
CN102789413B (zh) 2011-05-23 2016-02-17 同济大学 一种并行程序的调试系统及方法
US8594982B2 (en) 2011-06-09 2013-11-26 Pulsar Informatics, Inc. Systems and methods for distributed calculation of fatigue-risk prediction and optimization
CN102404673B (zh) 2011-11-24 2013-12-18 苏州上声电子有限公司 数字化扬声器系统通道均衡与声场控制方法和装置
CN103152673B (zh) 2011-12-07 2015-07-08 中国科学院声学研究所 基于四元码动态失配整形的数字扬声器驱动方法和装置
CN102684701B (zh) 2012-04-27 2014-07-09 苏州上声电子有限公司 基于编码转换的数字扬声器驱动方法和装置
DE102012009502A1 (de) 2012-05-14 2013-11-14 Kisters Ag Verfahren zum Trainieren eines künstlichen neuronalen Netzes
US9417891B2 (en) 2012-06-11 2016-08-16 Vmware, Inc. Unified storage/VDI provisioning methodology
US9052896B2 (en) * 2012-07-20 2015-06-09 Facebook, Inc. Adjusting mobile device state based on user intentions and/or identity
US9063731B2 (en) 2012-08-27 2015-06-23 Samsung Electronics Co., Ltd. Ultra low power apparatus and method to wake up a main processor
CN102903089B (zh) 2012-09-07 2014-12-17 山东大学 一种Linux环境下生成遥感图像快视图的方法
US9412366B2 (en) 2012-09-18 2016-08-09 Adobe Systems Incorporated Natural language image spatial and tonal localization
CN102981854A (zh) 2012-11-16 2013-03-20 天津市天祥世联网络科技有限公司 基于浮点数运算内联函数库的神经网络优化方法
KR20150115724A (ko) 2012-11-22 2015-10-14 각고호우징 게이오기주크 아크릴계 공중합체, 광학 필름, 편광판 및 액정 표시 장치
US9851977B2 (en) 2012-12-06 2017-12-26 Kalray Apparatus and method for combining thread warps with compatible execution masks for simultaneous execution and increased lane utilization
US20140189165A1 (en) * 2012-12-29 2014-07-03 Precision Life Technologies, Inc. Size-minimized data logger and secure digital (sd) memory card housing
US9720732B1 (en) 2013-02-11 2017-08-01 Amazon Technologies, Inc. Parameter selection for optimization of task execution based on execution history for prior tasks
JP2014170295A (ja) 2013-03-01 2014-09-18 Honda Motor Co Ltd 物体認識システム及び物体認識方法
US20190138372A1 (en) 2013-04-29 2019-05-09 Moogsoft, Inc. System for managing an instructure with security
CN103269546B (zh) * 2013-05-23 2015-10-28 中国科学院自动化研究所 一种led路灯智能控制系统及其方法
JP6184891B2 (ja) 2014-03-12 2017-08-23 東芝メモリ株式会社 情報処理装置、半導体チップ、情報処理方法およびプログラム
US9507405B2 (en) * 2014-06-18 2016-11-29 Oracle International Corporation System and method for managing power in a chip multiprocessor using a proportional feedback mechanism
US9575537B2 (en) * 2014-07-25 2017-02-21 Intel Corporation Adaptive algorithm for thermal throttling of multi-core processors with non-homogeneous performance states
US10282100B2 (en) 2014-08-19 2019-05-07 Samsung Electronics Co., Ltd. Data management scheme in virtualized hyperscale environments
GB2524126B (en) 2014-08-28 2016-07-27 Imagination Tech Ltd Combining paths
US9916130B2 (en) 2014-11-03 2018-03-13 Arm Limited Apparatus and method for vector processing
FR3030077B1 (fr) 2014-12-10 2016-12-02 Arnault Ioualalen Procede d'ajustement de la precision d'un programme d'ordinateur manipulant au moins un nombre a virgule.
EP3035204B1 (en) 2014-12-19 2018-08-15 Intel Corporation Storage device and method for performing convolution operations
US20170061279A1 (en) 2015-01-14 2017-03-02 Intel Corporation Updating an artificial neural network using flexible fixed point representation
US10262259B2 (en) 2015-05-08 2019-04-16 Qualcomm Incorporated Bit width selection for fixed point neural networks
US20160328645A1 (en) 2015-05-08 2016-11-10 Qualcomm Incorporated Reduced computational complexity for fixed point neural network
US10083395B2 (en) 2015-05-21 2018-09-25 Google Llc Batch processing in a neural network processor
CN104899641B (zh) 2015-05-25 2018-07-13 杭州朗和科技有限公司 深度神经网络学习方法、处理器和深度神经网络学习系统
CN115100019A (zh) 2015-06-10 2022-09-23 无比视视觉技术有限公司 用于处理图像的图像处理器和方法
CN104978303B (zh) * 2015-06-19 2019-06-04 上海兆芯集成电路有限公司 单芯片整合的传感器集线器和多传感器管理方法
CN106469291A (zh) 2015-08-19 2017-03-01 中兴通讯股份有限公司 图像处理方法及终端
US10031765B2 (en) 2015-09-24 2018-07-24 Intel Corporation Instruction and logic for programmable fabric hierarchy and cache
EP3353745A1 (en) * 2015-09-30 2018-08-01 Piksel, Inc. Improved video stream delivery via adaptive quality enhancement using error correction models
US11061672B2 (en) 2015-10-02 2021-07-13 Via Alliance Semiconductor Co., Ltd. Chained split execution of fused compound arithmetic operations
CN106570559A (zh) 2015-10-09 2017-04-19 阿里巴巴集团控股有限公司 一种基于神经网络的数据处理方法和装置
JP6978319B2 (ja) * 2015-11-10 2021-12-08 ソニーセミコンダクタソリューションズ株式会社 電子装置、制御回路、および、電子装置の制御方法
JP2019505149A (ja) 2015-11-17 2019-02-21 バヤニ, エマンBAYANI, Eman デジタル画像撮影装置システム及び方法
CN106814639A (zh) 2015-11-27 2017-06-09 富泰华工业（深圳）有限公司 语音控制系统及方法
CN105893419A (zh) 2015-11-30 2016-08-24 乐视致新电子科技（天津）有限公司 一种多媒体照片生成方法、装置、设备及手机
US10699186B2 (en) 2015-12-02 2020-06-30 Google Llc Determining orders of execution of a neural network
CN106991478B (zh) 2016-01-20 2020-05-08 中科寒武纪科技股份有限公司 用于执行人工神经网络反向训练的装置和方法
CN106997236B (zh) 2016-01-25 2018-07-13 亮风台（上海）信息科技有限公司 基于多模态输入进行交互的方法和设备
US10586173B2 (en) 2016-01-27 2020-03-10 Bonsai AI, Inc. Searchable database of trained artificial intelligence objects that can be reused, reconfigured, and recomposed, into one or more subsequent artificial intelligence models
US10497089B2 (en) 2016-01-29 2019-12-03 Fotonation Limited Convolutional neural network
JP2017156511A (ja) 2016-03-01 2017-09-07 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム
US10103714B2 (en) * 2016-03-01 2018-10-16 Qualcomm Incorporated Adjust voltage for thermal mitigation
US10019779B2 (en) 2016-03-08 2018-07-10 Amazon Technologies, Inc. Browsing interface for item counterparts having different scales and lengths
US10552119B2 (en) 2016-04-29 2020-02-04 Intel Corporation Dynamic management of numerical representation in a distributed matrix processor architecture
CN109934331B (zh) 2016-04-29 2020-06-19 中科寒武纪科技股份有限公司 用于执行人工神经网络正向运算的装置和方法
US11055063B2 (en) 2016-05-02 2021-07-06 Marvell Asia Pte, Ltd. Systems and methods for deep learning processor
US10187568B1 (en) 2016-05-02 2019-01-22 Bao Tran Video smart phone
CN105978611B (zh) 2016-05-12 2019-09-17 京信通信系统（中国）有限公司 一种频域信号压缩方法及装置
AU2016203619A1 (en) 2016-05-31 2017-12-14 Canon Kabushiki Kaisha Layer-based operations scheduling to optimise memory for CNN applications
EP3252949B1 (en) * 2016-06-01 2020-03-18 Intel IP Corporation Methods and devices for predistortion of signals
US20170357910A1 (en) 2016-06-10 2017-12-14 Apple Inc. System for iteratively training an artificial intelligence using cloud-based metrics
CN107545889B (zh) 2016-06-23 2020-10-23 华为终端有限公司 适用于模式识别的模型的优化方法、装置及终端设备
CN106156310A (zh) 2016-06-30 2016-11-23 努比亚技术有限公司 一种图片处理装置和方法
US10372588B2 (en) 2016-07-08 2019-08-06 International Business Machines Corporation Providing debug information on production containers using debug containers
DE102016214786A1 (de) 2016-08-09 2018-02-15 Fujitsu Limited Anwendungsprofiling-Jobmanagement-System, -Programm und -Verfahren
US20180046903A1 (en) 2016-08-12 2018-02-15 DeePhi Technology Co., Ltd. Deep processing unit (dpu) for implementing an artificial neural network (ann)
CN107657316B (zh) 2016-08-12 2020-04-07 北京深鉴智能科技有限公司 通用处理器与神经网络处理器的协同系统设计
CN106354568A (zh) 2016-08-23 2017-01-25 京信通信技术(广州)有限公司 一种不同进程间的通信方法及通信装置
CN107797913A (zh) 2016-09-07 2018-03-13 大陆汽车电子（连云港）有限公司 一种实时系统的软件分析系统与方法
US11907760B2 (en) 2016-09-23 2024-02-20 Apple Inc. Systems and methods of memory allocation for neural networks
CN106650922B (zh) 2016-09-29 2019-05-03 清华大学 硬件神经网络转换方法、计算装置、软硬件协作系统
US20180096243A1 (en) * 2016-09-30 2018-04-05 General Electric Company Deep learning for data driven feature representation and anomaly detection
WO2018071546A1 (en) 2016-10-11 2018-04-19 The Research Foundation For The State University Of New York System, method, and accelerator to process convolutional neural network layers
CN106485316B (zh) 2016-10-31 2019-04-02 北京百度网讯科技有限公司 神经网络模型压缩方法以及装置
CN106502626A (zh) 2016-11-03 2017-03-15 北京百度网讯科技有限公司 数据处理方法和装置
US10216479B2 (en) 2016-12-06 2019-02-26 Arm Limited Apparatus and method for performing arithmetic operations to accumulate floating-point numbers
US10997492B2 (en) 2017-01-20 2021-05-04 Nvidia Corporation Automated methods for conversions to a lower precision data format
CN106951587A (zh) 2017-02-15 2017-07-14 芯启源（南京）半导体科技有限公司 Fpga调试系统及方法
CN106951962B (zh) 2017-03-22 2020-09-01 南京地平线机器人技术有限公司 用于神经网络的复合运算单元、方法和电子设备
US10332302B2 (en) 2017-04-17 2019-06-25 Intel Corporation Scatter gather engine
US10402932B2 (en) 2017-04-17 2019-09-03 Intel Corporation Power-based and target-based graphics quality adjustment
CN107025629B (zh) 2017-04-27 2021-03-26 维沃移动通信有限公司 一种图像处理方法及移动终端
US11842280B2 (en) 2017-05-05 2023-12-12 Nvidia Corporation Loss-scaling for deep neural network training with reduced precision
US10019668B1 (en) 2017-05-19 2018-07-10 Google Llc Scheduling neural network processing
CN109034381B (zh) 2017-06-09 2022-01-28 宏达国际电子股份有限公司 训练任务优化系统、方法及其非暂态电脑可读媒体
US10944902B2 (en) 2017-06-20 2021-03-09 Adobe Inc. Digital image generation using capture support data
US9916531B1 (en) 2017-06-22 2018-03-13 Intel Corporation Accumulator constrained quantization of convolutional neural networks
EP3646164A4 (en) * 2017-06-30 2021-01-20 INTEL Corporation HETEROGENIC MULTIPLIER
CN109214509B (zh) 2017-07-05 2021-07-06 中国科学院沈阳自动化研究所 一种用于深度神经网络高速实时量化结构和运算实现方法
CN107451654B (zh) 2017-07-05 2021-05-18 深圳市自行科技有限公司 卷积神经网络的加速运算方法、服务器及存储介质
US10427306B1 (en) 2017-07-06 2019-10-01 X Development Llc Multimodal object identification
CN107729989B (zh) 2017-07-20 2020-12-29 安徽寒武纪信息科技有限公司 一种用于执行人工神经网络正向运算的装置及方法
CN107451658B (zh) 2017-07-24 2020-12-15 杭州菲数科技有限公司 浮点运算定点化方法及系统
CN107688849B (zh) 2017-07-28 2021-04-13 赛灵思电子科技(北京)有限公司 一种动态策略定点化训练方法及装置
WO2019023984A1 (en) 2017-08-02 2019-02-07 Intel Corporation SYSTEM AND METHOD FOR INCLUSION OF NEURAL NETWORKS 1 AMONG N ON AN AUTOMATIC LEARNING COMPUTER PLATFORM
KR102601604B1 (ko) 2017-08-04 2023-11-13 삼성전자주식회사 뉴럴 네트워크의 파라미터들을 양자화하는 방법 및 장치
KR20200029510A (ko) 2017-08-08 2020-03-18 삼성전자주식회사 네트워크에서 메모리 요구 사항을 결정하는 방법 및 장치
US20190050710A1 (en) 2017-08-14 2019-02-14 Midea Group Co., Ltd. Adaptive bit-width reduction for neural networks
CN110245751B (zh) * 2017-08-31 2020-10-09 中科寒武纪科技股份有限公司 一种gemm运算方法及装置
CN107644254A (zh) 2017-09-09 2018-01-30 复旦大学 一种卷积神经网络权重参数量化训练方法及系统
US11437032B2 (en) 2017-09-29 2022-09-06 Shanghai Cambricon Information Technology Co., Ltd Image processing apparatus and method
EP3667487B1 (en) 2017-09-29 2023-11-15 Shanghai Cambricon Information Technology Co., Ltd Image processing apparatus and method
US10223114B1 (en) 2017-09-29 2019-03-05 Intel Corporation Fixed point to floating point conversion
US10224954B1 (en) 2017-09-29 2019-03-05 Intel Corporation Floating point to fixed point conversion
JP6540770B2 (ja) 2017-10-17 2019-07-10 富士通株式会社 演算処理回路、演算処理回路を含む演算処理装置、演算処理装置を含む情報処理装置、および方法
US10410121B2 (en) 2017-10-25 2019-09-10 SparkCognition, Inc. Adjusting automated neural network generation based on evaluation of candidate neural networks
US20210061028A1 (en) * 2017-10-26 2021-03-04 Applied Mechatronic Products Apparatus and method for vehicular monitoring, analysis, and control
US10783634B2 (en) 2017-11-22 2020-09-22 General Electric Company Systems and methods to deliver point of care alerts for radiological findings
US10803379B2 (en) 2017-12-12 2020-10-13 Amazon Technologies, Inc. Multi-memory on-chip computational network
CN108053028B (zh) 2017-12-21 2021-09-14 深圳励飞科技有限公司 数据定点化处理方法、装置、电子设备及计算机存储介质
US11636327B2 (en) 2017-12-29 2023-04-25 Intel Corporation Machine learning sparse computation mechanism for arbitrary neural networks, arithmetic compute microarchitecture, and sparsity for training mechanism
US11373088B2 (en) 2017-12-30 2022-06-28 Intel Corporation Machine learning accelerator mechanism
KR102568686B1 (ko) * 2018-02-09 2023-08-23 삼성전자주식회사 컨텍스트 허브를 포함하는 모바일 장치 및 그것의 동작 방법
US20190251429A1 (en) 2018-02-12 2019-08-15 Kneron, Inc. Convolution operation device and method of scaling convolution input for convolution neural network
US11630666B2 (en) 2018-02-13 2023-04-18 Shanghai Cambricon Information Technology Co., Ltd Computing device and method
US11397579B2 (en) 2018-02-13 2022-07-26 Shanghai Cambricon Information Technology Co., Ltd Computing device and method
US11106598B2 (en) 2018-02-13 2021-08-31 Shanghai Cambricon Information Technology Co., Ltd. Computing device and method
JP7056225B2 (ja) 2018-02-26 2022-04-19 富士通株式会社 演算処理装置、情報処理装置、情報処理方法、およびプログラム
US10628275B2 (en) 2018-03-07 2020-04-21 Nxp B.V. Runtime software-based self-test with mutual inter-core checking
US11475306B2 (en) 2018-03-22 2022-10-18 Amazon Technologies, Inc. Processing for multiple input data sets
CN108510067B (zh) 2018-04-11 2021-11-09 西安电子科技大学 基于工程化实现的卷积神经网络量化方法
US11562213B2 (en) 2018-04-17 2023-01-24 Intel Corporation Methods and arrangements to manage memory in cascaded neural networks
EP3624020A4 (en) 2018-05-18 2021-05-05 Shanghai Cambricon Information Technology Co., Ltd CALCULATION PROCEDURES AND RELATED PRODUCTS
CN108717570A (zh) 2018-05-23 2018-10-30 电子科技大学 一种脉冲神经网络参数量化方法
US10360304B1 (en) 2018-06-04 2019-07-23 Imageous, Inc. Natural language processing interface-enabled building conditions control system
CN109062540B (zh) 2018-06-06 2022-11-25 北京理工大学 一种基于cordic算法的可重构浮点运算装置
CN109063820A (zh) 2018-06-07 2018-12-21 中国科学技术大学 利用时频联合长时循环神经网络的数据处理方法
CN109146057B (zh) 2018-06-26 2020-12-08 杭州雄迈集成电路技术股份有限公司 一种基于查表计算的高精度的神经网络工程化方法
CN110728364A (zh) 2018-07-17 2020-01-24 上海寒武纪信息科技有限公司 一种运算装置和运算方法
JP7053891B2 (ja) 2018-06-27 2022-04-12 シャンハイ カンブリコン インフォメーション テクノロジー カンパニー リミテッド オンチップコードのブレークポイントによるデバッグ方法、オンチッププロセッサ及びブレークポイントによるチップデバッグシステム
KR102519467B1 (ko) 2018-08-28 2023-04-06 캠브리콘 테크놀로지스 코퍼레이션 리미티드 데이터 전처리 방법, 장치, 컴퓨터 설비 및 저장 매체
US11703939B2 (en) 2018-09-28 2023-07-18 Shanghai Cambricon Information Technology Co., Ltd Signal processing device and related products
CN109472353B (zh) 2018-11-22 2020-11-03 浪潮集团有限公司 一种卷积神经网络量化电路及量化方法
CN109685202B (zh) * 2018-12-17 2023-03-21 腾讯科技（深圳）有限公司 数据处理方法及装置、存储介质和电子装置
CN111383637A (zh) 2018-12-28 2020-07-07 上海寒武纪信息科技有限公司 信号处理装置、信号处理方法及相关产品
CN109800877B (zh) 2019-02-20 2022-12-30 腾讯科技（深圳）有限公司 神经网络的参数调整方法、装置及设备
CN109902745A (zh) 2019-03-01 2019-06-18 成都康乔电子有限责任公司 一种基于cnn的低精度训练与8位整型量化推理方法
CN110059733A (zh) 2019-04-01 2019-07-26 苏州科达科技股份有限公司 卷积神经网络的优化及快速目标检测方法、装置
CN109993296B (zh) 2019-04-01 2020-12-29 安徽寒武纪信息科技有限公司 量化实现方法及相关产品
CN111832738B (zh) 2019-04-18 2024-01-09 中科寒武纪科技股份有限公司 一种数据处理方法及相关产品
US20200334522A1 (en) 2019-04-18 2020-10-22 Cambricon Technologies Corporation Limited Data processing method and related products
US11676028B2 (en) 2019-06-12 2023-06-13 Shanghai Cambricon Information Technology Co., Ltd Neural network quantization parameter determination method and related products
CN112085183B (zh) 2019-06-12 2024-04-02 上海寒武纪信息科技有限公司 一种神经网络运算方法及装置以及相关产品
US20210374510A1 (en) 2019-08-23 2021-12-02 Anhui Cambricon Information Technology Co., Ltd. Data processing method, device, computer equipment and storage medium
JP7146955B2 (ja) 2019-08-23 2022-10-04 安徽寒武紀信息科技有限公司 データ処理方法、装置、コンピュータデバイス、及び記憶媒体
EP4024280A4 (en) 2019-08-27 2022-11-16 Anhui Cambricon Information Technology Co., Ltd. DATA PROCESSING METHOD AND APPARATUS, COMPUTER EQUIPMENT AND STORAGE MEDIA
CN110780845B (zh) 2019-10-17 2021-11-30 浙江大学 一种用于量化卷积神经网络的可配置近似乘法器及其实现方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024039105A1 (ko) * 2022-08-17 2024-02-22 삼성전자주식회사 모델들에 의하여 공통으로 이용되는 정보에 기반하여 모델들을 구동하기 위한 전자 장치 및 그 방법

Also Published As

Publication number Publication date
EP3623906A1 (en) 2020-03-18
US20200174547A1 (en) 2020-06-04
CN116991225A (zh) 2023-11-03
CN110162162A (zh) 2019-08-23
JP6761134B2 (ja) 2020-09-23
CN116991226A (zh) 2023-11-03
US11513586B2 (en) 2022-11-29
CN110162162B (zh) 2023-08-18
WO2019157888A1 (zh) 2019-08-22
JP2020517010A (ja) 2020-06-11
EP3623906A4 (en) 2021-01-27

Similar Documents

Publication Publication Date Title
KR20200119706A (ko) 프로세서 제어 장치, 방법 및 설비
EP3340243B1 (en) Method for performing voice control on device with microphone array, and device thereof
CN106919918B (zh) 一种人脸跟踪方法和装置
WO2017028678A1 (zh) 通信方法、服务器及设备
KR20160089145A (ko) 음성 인식 방법 및 음성 인식 장치
CN111325312A (zh) 神经处理系统及其操作方法
KR20200072196A (ko) 오디오 개선을 지원하는 전자 장치 및 이를 위한 방법
CN114461481A (zh) 电子设备的功耗确定方法、装置、存储介质及电子设备
US11503451B2 (en) Device and method for transmitting signals in plurality of frequency bands
CN116185596B (zh) 提升广域多集群分布式系统执行任务效率的方法及装置
US11131787B2 (en) Electromagnetic sensor and mobile device including the same
KR102557572B1 (ko) 인공 신경망 장치 및 그 동작 방법
CN117203616A (zh) 电子设备及电子设备的传感器数据处理方法
CN111130591B (zh) 天线调谐方法、天线调谐装置及终端设备
CN116579380A (zh) 一种数据处理方法以及相关设备
US20230359539A1 (en) Improved software monitoring of real-time services
US20220311636A1 (en) Electronic device and method for determining device for performing task by electronic device
US8719482B2 (en) Electronic device with bus sharing function
US20220245423A1 (en) Electronic device, user terminal, and method for running scalable deep learning network
US20230376449A1 (en) Signal processing device
CN117796050A (zh) 用于确定基于业务的小区开启或关闭阈值的电子装置及其操作方法
KR20230017712A (ko) 셀 온 또는 오프 트래픽 기반 임계값을 결정하기 위한 전자 장치 및 전자 장치의 동작 방법
CN116243975A (zh) 运算方法及相关装置
KR20230091740A (ko) 기지국이 전송하는 신호의 빔 포밍 패턴을 결정하는 장치 및 방법
US20180164765A1 (en) Service control device, service control method and recording medium

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal