KR20240064427A - Neural Processor and Method for Monitoring task thereof - Google Patents
Neural Processor and Method for Monitoring task thereof Download PDFInfo
- Publication number
- KR20240064427A KR20240064427A KR1020220146444A KR20220146444A KR20240064427A KR 20240064427 A KR20240064427 A KR 20240064427A KR 1020220146444 A KR1020220146444 A KR 1020220146444A KR 20220146444 A KR20220146444 A KR 20220146444A KR 20240064427 A KR20240064427 A KR 20240064427A
- Authority
- KR
- South Korea
- Prior art keywords
- task
- report
- neural
- memory
- timeout
- Prior art date
Links
- 230000001537 neural effect Effects 0.000 title claims abstract description 271
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 239000000872 buffer Substances 0.000 claims description 103
- 238000012546 transfer Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 description 436
- 238000012545 processing Methods 0.000 description 177
- 238000010586 diagram Methods 0.000 description 71
- 230000004913 activation Effects 0.000 description 43
- 238000013528 artificial neural network Methods 0.000 description 26
- 238000004364 calculation method Methods 0.000 description 22
- 210000004027 cell Anatomy 0.000 description 21
- 238000007726 management method Methods 0.000 description 19
- 238000013135 deep learning Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 10
- 238000003062 neural network model Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000006978 adaptation Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013519 translation Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000008521 reorganization Effects 0.000 description 4
- 210000000225 synapse Anatomy 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000003111 delayed effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000013529 biological neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000002071 nanotube Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Hardware Redundancy (AREA)
Abstract
본 발명은 뉴럴 프로세서 및 그의 태스크 모니터링 방법을 개시한다. 실시예에 따른 뉴럴 프로세서는 태스크 디스크립터에 대응하는 태스크 정보를 생성하는 코어 글로벌, 상기 태스크 정보를 상기 코어 글로벌로부터 수신하고, 상기 태스크 정보에 따른 태스크를 수행하여 상기 태스크의 완료에 대한 완료 신호를 생성하는 뉴럴 코어 및 상기 뉴럴 코어의 상기 태스크에 대한 수행 시간을 모니터링하여 타임아웃 디텍션 신호를 생성하고, 상기 타임아웃 디텍션 신호에 따라 타임아웃 리포트를 생성하는 태스크 매니저를 포함한다.The present invention discloses a neural processor and its task monitoring method. A neural processor according to an embodiment includes a core global that generates task information corresponding to a task descriptor, receives the task information from the core global, performs a task according to the task information, and generates a completion signal for completion of the task. It includes a neural core that monitors the execution time of the task of the neural core, generates a timeout detection signal, and generates a timeout report according to the timeout detection signal.
Description
본 발명은 뉴럴 프로세서 및 그의 태스크 모니터링 방법에 관한 것이다. 구체적으로, 본 발명은 태스크를 수행 시간, 수행 여부 등을 모니터링하여 더욱 효율적으로 태스크 관리를 수행하는 뉴럴 프로세서 및 그의 태스크 모니터링 방법에 관한 것이다.The present invention relates to a neural processor and its task monitoring method. Specifically, the present invention relates to a neural processor and its task monitoring method that perform task management more efficiently by monitoring task execution time, execution status, etc.
지난 몇년간, 인공지능(Artificial Intelligence) 기술은 4차 산업혁명의 핵심 기술로 전세계적으로 가장 유망한 기술로 거론되고 있다. 이러한 인공지능 기술의 가장 큰 문제는 컴퓨팅 성능이다. 인간의 학습능력과 추론능력, 지각능력, 자연언어의 이행능력 등을 실현해내는 인공지능 기술은 많은 데이터를 빠르게 처리하는 것이 가장 중요하다.Over the past few years, artificial intelligence (AI) technology has been mentioned as the most promising technology worldwide as a core technology of the 4th Industrial Revolution. The biggest problem with these artificial intelligence technologies is computing performance. For artificial intelligence technology that realizes human learning, reasoning, perception, and natural language translation abilities, the most important thing is to quickly process a lot of data.
초기 인공지능의 딥러닝 학습과 추론에는 기성 컴퓨터의 중앙 처리 장치(CPU; Central processing unit)나 그래픽 처리 장치(GPU; Graphics Processing Unit)가 쓰였지만, 높은 워크 로드를 가지는 딥러닝 학습 및 추론의 작업에는 한계가 있어 구조적으로 딥러닝 작업에 특화된 신경망 처리 장치(NPU; Neural Processing Unit)가 각광받고 있다. The central processing unit (CPU) or graphics processing unit (GPU) of existing computers were used for deep learning learning and inference in early artificial intelligence, but deep learning learning and inference tasks with high workloads were used. Due to its limitations, the Neural Processing Unit (NPU), which is structurally specialized for deep learning tasks, is gaining attention.
이러한 신경망 처리 장치는 내부에 복수의 연산 장치를 가지고 있고, 각각의 연산 장치가 병렬적으로 동작하여 연산 효율을 높일 수 있다. 이때, 각각의 연산 장치로 태스크를 분배하고, 분배된 태스크가 처리되는 상태를 모니터링하고 처리 상태에 따른 적절한 후속 조치를 수행하는 것이 중요할 수 있다. This neural network processing device has a plurality of calculation units inside, and each calculation unit operates in parallel to increase calculation efficiency. At this time, it may be important to distribute tasks to each computing device, monitor the processing status of the distributed tasks, and perform appropriate follow-up actions according to the processing status.
본 발명의 과제는, 태스크 관리를 효율적으로 수행하는 뉴럴 프로세서를 제공하는 것이다.The object of the present invention is to provide a neural processor that efficiently performs task management.
본 발명의 또 다른 과제는, 태스크 관리를 효율적으로 수행하는 뉴럴 프로세서의 태스크 모니터링 방법을 제공하는 것이다.Another object of the present invention is to provide a task monitoring method for a neural processor that efficiently performs task management.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.The objects of the present invention are not limited to the objects mentioned above, and other objects and advantages of the present invention that are not mentioned can be understood by the following description and will be more clearly understood by the examples of the present invention. Additionally, it will be readily apparent that the objects and advantages of the present invention can be realized by the means and combinations thereof indicated in the patent claims.
상기 과제를 해결하기 위한 본 발명의 몇몇 실시예에 따른 뉴럴 프로세서는, 태스크 디스크립터에 대응하는 태스크 정보를 생성하는 코어 글로벌, 상기 태스크 정보를 상기 코어 글로벌로부터 수신하고, 상기 태스크 정보에 따른 태스크를 수행하여 상기 태스크의 완료에 대한 완료 신호를 생성하는 뉴럴 코어 및 상기 뉴럴 코어의 상기 태스크에 대한 수행 시간을 모니터링하여 타임아웃 디텍션 신호를 생성하고, 상기 타임아웃 디텍션 신호에 따라 타임아웃 리포트를 생성하는 태스크 매니저를 포함한다.A neural processor according to some embodiments of the present invention for solving the above problems includes a core global that generates task information corresponding to a task descriptor, receives the task information from the core global, and performs a task according to the task information. A neural core that generates a completion signal for completion of the task, and a task that monitors the execution time of the neural core for the task, generates a timeout detection signal, and generates a timeout report according to the timeout detection signal. Includes managers.
또한, 상기 코어 글로벌은 상기 뉴럴 코어로부터 상기 태스크의 완료 신호를 수신하고, 상기 태스크 매니저는 상기 코어 글로벌로부터 상기 완료 신호를 수신하여 완료 리포트를 생성하며, 상기 타임아웃 리포트는 상기 완료 리포트에 포함되어 커맨드 프로세서로 전달될 수 있다.In addition, the core global receives a completion signal of the task from the neural core, the task manager receives the completion signal from the core global and generates a completion report, and the timeout report is included in the completion report. Can be passed to the command processor.
또한, 상기 태스크는 상기 완료 리포트가 생성되도록 설정된 제1 태스크 및 상기 완료 리포트가 생성되지 않도록 설정된 제2 태스크를 포함하고, 상기 태스크 매니저는 상기 제1 태스크에 대응하는 제1 태스크 디스크립터와 상기 제2 태스크에 대응하는 제2 태스크 디스크립터를 제1 체크인 버퍼와 제2 체크인 버퍼에 각각 체크인할 수 있다.Additionally, the task includes a first task configured to generate the completion report and a second task configured to not generate the completion report, and the task manager includes a first task descriptor corresponding to the first task and the second task. The second task descriptor corresponding to the task may be checked into the first check-in buffer and the second check-in buffer, respectively.
또한, 상기 태스크 매니저는 상기 제2 태스크에 대한 타임아웃 리포트가 생성되는 경우, 상기 제2 태스크 디스크립터가 완료 리포트를 생성하도록 수정할 수 있다.Additionally, the task manager may modify the second task descriptor to generate a completion report when a timeout report for the second task is generated.
또한, 상기 태스크 매니저는 상기 수행 시간과 임계 시간을 비교하여 상기 타임아웃 디텍션 신호의 생성 여부를 결정할 수 있다.Additionally, the task manager may determine whether to generate the timeout detection signal by comparing the execution time and the threshold time.
또한, 상기 임계 시간은 상기 태스크에 따라 개별적으로 설정될 수 있다.Additionally, the threshold time can be set individually according to the task.
또한, 상기 태스크 매니저는 상기 태스크에 대한 태스크 디스크립터를 생성하고, 상기 태스크 디스크립터에 따른 상기 태스크 정보를 상기 코어 글로벌로 전달하는 태스크 패시지 및 상기 태스크 디스크립터를 상기 태스크 패시지로부터 체크인하고, 상기 완료 신호를 상기 코어 글로벌로부터 수신하여 완료 리포트를 생성하는 던 패시지를 포함할 수 있다.In addition, the task manager generates a task descriptor for the task, checks in a task passage that transmits the task information according to the task descriptor to the core global and the task descriptor from the task passage, and sends the completion signal to the core global. It may contain a Dawn passage that is received from the core global and generates a completion report.
또한, 상기 던 패시지는 상기 태스크 디스크립터를 수신하여 체크인하고, 상기 완료 신호를 수신하여 상기 태스크 디스크립터에 연동시키는 체크인 버퍼, 상기 완료 신호에 따라 상기 태스크 디스크립터를 체크아웃하고, 상기 체크아웃에 대한 체크아웃 리포트를 생성하는 디펜던시 세터, 상기 타임아웃 디텍션 신호를 생성하고 상기 타임아웃 디텍션 신호에 따라 상기 타임아웃 리포트를 생성하는 타임아웃 모니터 및 상기 체크아웃 리포트를 수신하여 상기 완료 리포트를 생성하며, 상기 완료 리포트를 커맨드 프로세서로 전달하는 리포팅 매니징 모듈을 포함할 수 있다.In addition, the Dawn Passage receives and checks in the task descriptor, a check-in buffer that receives the completion signal and links it to the task descriptor, checks out the task descriptor according to the completion signal, and checks out the check-out. A dependency setter for generating a report, a timeout monitor for generating the timeout detection signal and generating the timeout report according to the timeout detection signal, and receiving the checkout report to generate the completion report, It may include a reporting management module that delivers a completion report to the command processor.
또한, 상기 태스크 패시지는 상기 태스크 디스크립터를 큐에 전송하고, 트랜스퍼 던 리포트를 생성하여 상기 리포팅 매니징 모듈에 전달하며, 상기 트랜스퍼 던 리포트는 상기 완료 리포트에 포함되어 상기 커맨드 프로세서로 전달될 수 있다.Additionally, the task passage transmits the task descriptor to a queue, generates a transfer report and delivers it to the reporting management module, and the transfer report can be included in the completion report and delivered to the command processor.
또한, 상기 던 패시지는, 이벤트 감지 신호에 따라 이벤트 리포트를 생성하는 이벤트 모니터를 더 포함할 수 있다.Additionally, the Dawn passage may further include an event monitor that generates an event report according to an event detection signal.
또한, 상기 리포팅 매니징 모듈은 상기 완료 리포트를 생성하는 리포팅 매니저, 상기 이벤트 리포트를 수신하고, 상기 수신된 이벤트 리포트를 상기 리포팅 매니저에 전달하는 이벤트 리포트 큐, 상기 타임아웃 리포트를 수신하고 상기 수신된 타임아웃 리포트를 상기 리포팅 매니저에 전달하는 타임아웃 리포트 큐, 상기 체크아웃 리포트를 수신하고 상기 수신된 타임아웃 리포트를 상기 리포팅 매니저에 전달하는 체크아웃 리포트 큐 및 상기 트랜스퍼 던 리포트를 수신하고 상기 수신된 트랜스퍼 던 리포트를 상기 리포팅 매니저에 전달하는 트랜스퍼 리포트 큐를 포함할 수 있다.In addition, the reporting management module includes a reporting manager for generating the completion report, an event report queue for receiving the event report and delivering the received event report to the reporting manager, receiving the timeout report and receiving the received event report. A timeout report queue for transmitting a timeout report to the reporting manager, a checkout report queue for receiving the checkout report and transmitting the received timeout report to the reporting manager, and a checkout report queue for receiving the transfer report and transmitting the received timeout report to the reporting manager. It may include a transfer report queue that delivers the transfer report to the reporting manager.
또한, 상기 리포팅 매니저는 상기 타임아웃 리포트 큐의 상태, 상기 체크아웃 리포트 큐의 상태, 및 상기 이벤트 리포트 큐의 상태 중 적어도 하나를 모니터링할 수 있다.Additionally, the reporting manager may monitor at least one of the status of the timeout report queue, the status of the checkout report queue, and the status of the event report queue.
상기 다른 과제를 해결하기 위한 본 발명의 몇몇 실시예에 따른 뉴럴 코어의 태스크 모니터링 방법은 태스크 디스크립터에 대응하는 태스크 정보를 생성하고, 상기 태스크 정보를 뉴럴 코어로 제공하는 단계, 상기 뉴럴 코어의 상기 태스크에 대한 수행 시간을 모니터링하여 타임아웃 디텍션 신호를 생성하는 단계 및 상기 타임아웃 디텍션 신호에 따라 타임아웃 리포트를 생성하는 단계를 포함한다.A task monitoring method of a neural core according to some embodiments of the present invention for solving the above other problems includes generating task information corresponding to a task descriptor and providing the task information to the neural core, the task of the neural core It includes generating a timeout detection signal by monitoring the execution time for and generating a timeout report according to the timeout detection signal.
또한, 상기 뉴럴 코어로부터 상기 태스크의 완료 신호를 수신하여 상기 완료 신호에 따라 체크아웃 리포트를 생성하는 단계, 상기 체크아웃 리포트 및 상기 타임아웃 리포트에 기초하여 완료 리포트를 생성하는 단계 및 상기 완료 리포트를 커맨드 프로세서로 전달하는 단계를 더 포함할 수 있다.In addition, receiving a completion signal of the task from the neural core and generating a checkout report according to the completion signal, generating a completion report based on the checkout report and the timeout report, and the completion report The step of transmitting to a command processor may be further included.
또한, 상기 태스크는 상기 완료 리포트가 생성되도록 설정된 제1 태스크 및 상기 완료 리포트가 생성되지 않도록 설정된 제2 태스크를 포함하고, 상기 태스크 디스크립터에 대응하는 태스크 정보를 생성하고, 상기 태스크 정보를 뉴럴 코어로 제공하는 단계는 상기 제1 태스크에 대응하는 제1 태스크 디스크립터와 상기 제2 태스크에 대응하는 제2 태스크 디스크립터를 제1 체크인 버퍼와 제2 체크인 버퍼에 각각 체크인하는 것을 포함할 수 있다.In addition, the task includes a first task set to generate the completion report and a second task set to not generate the completion report, generates task information corresponding to the task descriptor, and sends the task information to the neural core. The providing step may include checking in a first task descriptor corresponding to the first task and a second task descriptor corresponding to the second task into a first check-in buffer and a second check-in buffer, respectively.
또한, 상기 타임아웃 리포트를 생성하는 단계에서, 상기 제2 태스크에 대한 타임 아웃 리포트가 생성되는 경우, 상기 완료 리포트를 생성하는 단계는, 상기 제2 태스크 디스크립터가 완료 리포트를 생성하도록 수정하는 것을 포함할 수 있다.Additionally, in the step of generating the timeout report, if a timeout report for the second task is generated, the step of generating the completion report includes modifying the second task descriptor to generate a completion report. can do.
또한, 상기 타임아웃 디텍션 신호를 생성하는 단계는 상기 수행 시간과 임계 시간을 비교하여 상기 타임아웃 디텍션 신호의 생성 여부를 결정하는 것을 포함할 수 있다. Additionally, generating the timeout detection signal may include comparing the execution time and a threshold time to determine whether to generate the timeout detection signal.
또한, 상기 타임아웃 리포트의 생성 여부 및 상기 수행 시간에 대한 임계값은 상기 태스크에 따라 개별적으로 설정될 수 있다.Additionally, the threshold for whether to generate the timeout report and the execution time may be individually set depending on the task.
또한, 이벤트 감지 신호에 따라 이벤트 리포트를 생성하는 단계를 더 포함할 수 있다.Additionally, the step of generating an event report according to the event detection signal may be further included.
또한, 상기 완료 리포트를 생성하는 단계는 상기 타임아웃 리포트를 타임아웃 리포트 큐에 저장하고, 상기 체크아웃 리포트를 상기 체크아웃 리포트 큐에 저장하며, 이벤트 감지 장치로부터 제공되는 이벤트 리포트를 이벤트 리포트 큐에 저장하는 단계 및 상기 타임아웃 리포트 큐의 상태, 상기 체크아웃 리포트 큐의 상태, 및 상기 이벤트 리포트 큐의 상태 중 적어도 하나를 모니터링하는 단계를 포함할 수 있다.In addition, the step of generating the completion report includes storing the timeout report in the timeout report queue, storing the checkout report in the checkout report queue, and storing the event report provided from the event detection device in the event report queue. It may include storing and monitoring at least one of the state of the timeout report queue, the state of the checkout report queue, and the state of the event report queue.
본 발명의 뉴럴 프로세서 및 그의 태스크 모니터링 방법은, 태스크 매니저가 각각 뉴럴 코어의 태스크를 선택적으로 모니터링하고 커맨드 프로세서로 보고할 수 있어 복수의 뉴럴 코어에 분배된 태스크의 모니터링이 더욱 효율적으로 수행될 수 있다.In the neural processor and its task monitoring method of the present invention, the task manager can selectively monitor the tasks of each neural core and report them to the command processor, so that monitoring of tasks distributed to a plurality of neural cores can be performed more efficiently. .
또한, 커맨드 프로세서로의 보고가 필요한 경우, 태스크 디스크립터별로 완료 리포트 생성 여부를 수정하도록 구성될 수 있다. 이에 따라, 모든 태스크에 대한 모니터링을 수행하지 않으면서도 특정 태스크와 관련된 보고를 수행할 수 있어, 커맨드 프로세서의 부담을 경감하면서 태스크에 대한 안정적인 모니터링이 가능할 수 있다.Additionally, if reporting to the command processor is necessary, it can be configured to modify whether or not a completion report is generated for each task descriptor. Accordingly, reports related to specific tasks can be performed without monitoring all tasks, thereby enabling stable monitoring of tasks while reducing the burden on the command processor.
상술한 내용과 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.In addition to the above-described content, specific effects of the present invention are described below while explaining specific details for carrying out the invention.
도 1은 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 시스템을 설명하기 위한 블록도이다.
도 2는 도 1의 뉴럴 프로세싱 장치를 세부적으로 설명하기 위한 블록도이다.
도 3은 도 2의 뉴럴 코어 SoC를 세부적으로 설명하기 위한 블록도이다.
도 4는 도 3의 글로벌 인터커넥션을 세부적으로 설명하기 위한 구조도이다.
도 5는 도 1의 뉴럴 프로세싱 장치의 제어 신호의 흐름을 설명하기 위한 블록도이다.
도 6은 도 3의 뉴럴 프로세서를 세부적으로 설명하기 위한 블록도이다.
도 7은 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 장치의 계층적 구조를 설명하기 위한 도면이다.
도 8은 도 6의 뉴럴 코어를 세부적으로 설명하기 위한 블록도이다.
도 9는 도 8의 LSU을 세부적으로 설명하기 위한 블록도이다.
도 10은 도 8의 프로세싱 유닛을 세부적으로 설명하기 위한 블록도이다.
도 11은 도 8의 L0 메모리를 세부적으로 설명하기 위한 블록도이다.
도 12는 도 11의 로컬 메모리 뱅크를 세부적으로 설명하기 위한 블록도이다.
도 13은 도 1의 뉴럴 프로세싱 장치의 데이터와 제어 신호의 흐름을 설명하기 위한 블록도이다.
도 14는 도 13의 커맨드 프로세서와 태스크 매니저의 관계를 설명하기 위한 블록도이다.
도 15는 도 8의 태스크 매니저의 구조를 세부적으로 설명하기 위한 블록도이다.
도 16은 도 15의 테이블 패시지를 세부적으로 설명하기 위한 블록도이다.
도 17은 도 15의 태스크 패시지를 세부적으로 설명하기 위한 블록도이다.
도 18은 도 15의 던 패시지를 세부적으로 설명하기 위한 블록도이다.
도 19는 완료 리포트 생성 여부가 상이하게 설정된 제1 태스크 디스크립터와 제2 태스크 디스크립터를 설명하기 위한 예시도이다.
도 20은 완료 리포트가 생성되지 않도록 설정된 제2 태스크 디스트립터에 대한 수정이 수행되는 과정을 설명하기 위한 순서도이다.
도 21은 도 20에 따라 수정된 제2 태스크 디스크립터의 제2 체크 아웃 리포트에 대응하여 완료 리포트가 생성되는 과정을 설명하기 위한 예시도이다.
도 22는 도 18의 리포트 매니징 모듈을 세부적으로 설명하기 위한 블록도이다.
도 23은 도 15의 코어 글로벌과 뉴럴 코어가 교환하는 데이터를 설명하기 위한 도면이다.
도 24은 제1 큐, 제2 큐 및 체크인 버퍼에 저장되는 태스크 디스크립터의 타입을 설명하기 위한 도면이다.
도 25는 본 발명의 몇몇 실시예에 따른 뉴럴 프로세싱 장치의 제1 큐, 제2 큐 및 체크인 버퍼를 설명하기 위한 도면이다.
도 26은 본 발명의 몇몇 실시예에 따른 뉴럴 프로세싱 장치의 제1 큐, 제2 큐 및 체크인 버퍼를 설명하기 위한 도면이다.
도 27은 도 1의 뉴럴 프로세싱 장치의 구조를 세부적으로 설명하기 위한 블록도이다.
도 28은 본 발명의 몇몇 실시예에 따른 뉴럴 프로세싱 장치의 커맨드 프로세서와 태스크 매니저의 계층적 구조를 설명하기 위한 도면이다.
도 29는 본 발명의 몇몇 실시예에 따른 뉴럴 프로세싱 장치의 커맨드 프로세서 및 태스크 매니저들의 계층 구조를 설명하기 위한 도면이다.
도 30는 도 1의 뉴럴 프로세싱 시스템의 메모리 재구성을 설명하기 위한 블록도이다.
도 31은 도 1의 뉴럴 프로세싱 시스템의 메모리 재구성의 예시를 나타낸 블록도이다.
도 32은 도 30의 A부분을 확대한 블록도이다.
도 33는 도 32의 제1 메모리 뱅크를 세부적으로 설명하기 위한 도면이다.
도 34은 도 1의 뉴럴 프로세싱 장치의 소프트웨어 계층 구조를 설명하기 위한 블록도이다.
도 35는 도 1의 뉴럴 프로세싱 장치가 수행하는 딥 러닝 연산을 설명하기 위한 개념도이다.
도 36는 도 1의 뉴럴 프로세싱 장치의 뉴럴 네트워크의 학습 및 추론 동작을 설명하기 위한 개념도이다.
도 37은 본 발명의 몇몇 실시예들에 따른 뉴럴 코어의 태스크 모니터링 방법을 설명하기 위한 순서도이다.
도 38은 도 37의 완료 리포트를 생성하는 단계를 세부적으로 설명하기 위한 순서도이다. 1 is a block diagram for explaining a neural processing system according to some embodiments of the present invention.
FIG. 2 is a block diagram for explaining the neural processing device of FIG. 1 in detail.
FIG. 3 is a block diagram for explaining the neural core SoC of FIG. 2 in detail.
FIG. 4 is a structural diagram for explaining the global interconnection of FIG. 3 in detail.
FIG. 5 is a block diagram for explaining the flow of control signals of the neural processing device of FIG. 1.
FIG. 6 is a block diagram for explaining the neural processor of FIG. 3 in detail.
FIG. 7 is a diagram illustrating the hierarchical structure of a neural processing device according to some embodiments of the present invention.
FIG. 8 is a block diagram for explaining the neural core of FIG. 6 in detail.
FIG. 9 is a block diagram for explaining the LSU of FIG. 8 in detail.
FIG. 10 is a block diagram for explaining the processing unit of FIG. 8 in detail.
FIG. 11 is a block diagram for explaining the L0 memory of FIG. 8 in detail.
FIG. 12 is a block diagram for explaining the local memory bank of FIG. 11 in detail.
FIG. 13 is a block diagram for explaining the flow of data and control signals of the neural processing device of FIG. 1.
FIG. 14 is a block diagram for explaining the relationship between the command processor and task manager of FIG. 13.
FIG. 15 is a block diagram to explain in detail the structure of the task manager of FIG. 8.
FIG. 16 is a block diagram for explaining the table passage of FIG. 15 in detail.
FIG. 17 is a block diagram for explaining the task passage of FIG. 15 in detail.
FIG. 18 is a block diagram for explaining the Dawn passage of FIG. 15 in detail.
Figure 19 is an example diagram for explaining a first task descriptor and a second task descriptor in which whether or not to generate a completion report is set differently.
Figure 20 is a flow chart to explain the process of modifying a second task descriptor that is set not to generate a completion report.
FIG. 21 is an example diagram for explaining a process of generating a completion report in response to a second check-out report of the second task descriptor modified according to FIG. 20.
FIG. 22 is a block diagram for explaining the report management module of FIG. 18 in detail.
FIG. 23 is a diagram illustrating data exchanged between the core global and neural core of FIG. 15.
Figure 24 is a diagram for explaining the types of task descriptors stored in the first queue, second queue, and check-in buffer.
FIG. 25 is a diagram illustrating a first queue, a second queue, and a check-in buffer of a neural processing device according to some embodiments of the present invention.
FIG. 26 is a diagram illustrating a first queue, a second queue, and a check-in buffer of a neural processing device according to some embodiments of the present invention.
FIG. 27 is a block diagram for explaining in detail the structure of the neural processing device of FIG. 1.
FIG. 28 is a diagram illustrating the hierarchical structure of a command processor and a task manager of a neural processing device according to some embodiments of the present invention.
FIG. 29 is a diagram illustrating the hierarchical structure of command processors and task managers of a neural processing device according to some embodiments of the present invention.
FIG. 30 is a block diagram for explaining memory reorganization of the neural processing system of FIG. 1.
FIG. 31 is a block diagram showing an example of memory reorganization of the neural processing system of FIG. 1.
Figure 32 is an enlarged block diagram of part A of Figure 30.
FIG. 33 is a diagram for explaining the first memory bank of FIG. 32 in detail.
FIG. 34 is a block diagram for explaining the software hierarchy of the neural processing device of FIG. 1.
FIG. 35 is a conceptual diagram illustrating a deep learning operation performed by the neural processing device of FIG. 1.
FIG. 36 is a conceptual diagram for explaining the learning and inference operations of the neural network of the neural processing device of FIG. 1.
Figure 37 is a flowchart illustrating a neural core task monitoring method according to some embodiments of the present invention.
FIG. 38 is a flowchart illustrating in detail the steps for generating the completion report of FIG. 37.
본 명세서 및 특허청구범위에서 사용된 용어나 단어는 일반적이거나 사전적인 의미로 한정하여 해석되어서는 아니된다. 발명자가 그 자신의 발명을 최선의 방법으로 설명하기 위해 용어나 단어의 개념을 정의할 수 있다는 원칙에 따라, 본 발명의 기술적 사상과 부합하는 의미와 개념으로 해석되어야 한다. 또한, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명이 실현되는 하나의 실시예에 불과하고, 본 발명의 기술적 사상을 전부 대변하는 것이 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 및 응용 가능한 예들이 있을 수 있음을 이해하여야 한다.Terms or words used in this specification and patent claims should not be construed as limited to their general or dictionary meaning. According to the principle that the inventor can define the term or word concept in order to explain his or her invention in the best way, it should be interpreted with a meaning and concept consistent with the technical idea of the present invention. In addition, the embodiments described in this specification and the configurations shown in the drawings are only one embodiment of the present invention and do not completely represent the technical idea of the present invention, so they cannot be replaced at the time of filing the present application. It should be understood that there may be various equivalents, variations, and applicable examples.
본 명세서 및 특허청구범위에서 사용된 제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. '및/또는' 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.Terms such as first, second, A, and B used in the present specification and claims may be used to describe various components, but the components should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another. For example, a first component may be named a second component without departing from the scope of the present invention, and similarly, the second component may also be named a first component. The term 'and/or' includes any of a plurality of related stated items or a combination of a plurality of related stated items.
본 명세서 및 특허청구범위에서 사용된 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서 "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in the specification and claims are merely used to describe specific embodiments and are not intended to limit the invention. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this application, terms such as "include" or "have" should be understood as not precluding the existence or addition possibility of features, numbers, steps, operations, components, parts, or combinations thereof described in the specification. .
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해서 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as generally understood by a person of ordinary skill in the technical field to which the present invention pertains.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Terms defined in commonly used dictionaries should be interpreted as having meanings consistent with the meanings they have in the context of the related technology, and unless clearly defined in the present application, should not be interpreted in an ideal or excessively formal sense. No.
또한, 본 발명의 각 실시예에 포함된 각 구성, 과정, 공정 또는 방법 등은 기술적으로 상호 간 모순되지 않는 범위 내에서 공유될 수 있다. Additionally, each configuration, process, process, or method included in each embodiment of the present invention may be shared within the scope of not being technically contradictory to each other.
이하, 도 1 내지 도 36를 참조하여, 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 장치를 설명한다.Hereinafter, with reference to FIGS. 1 to 36, a neural processing device according to some embodiments of the present invention will be described.
도 1은 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 시스템을 설명하기 위한 블록도이다.1 is a block diagram for explaining a neural processing system according to some embodiments of the present invention.
도 1을 참조하면, 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 시스템(NPS)은 제1 뉴럴 프로세싱 장치(1), 제2 뉴럴 프로세싱 장치(2) 및 외부 인터페이스(3)를 포함할 수 있다.Referring to FIG. 1, a neural processing system (NPS) according to some embodiments of the present invention may include a first
제1 뉴럴 프로세싱 장치(1)는 인공 신경망을 이용하여 연산을 수행하는 장치일 수 있다. 제1 뉴럴 프로세싱 장치(1)는 예를 들어, 딥 러닝(deep learning) 연산 작업을 수행하는 것에 특화된 장치일 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.The first
제2 뉴럴 프로세싱 장치(2)는 제1 뉴럴 프로세싱 장치(1)와 동일 내지 유사한 구성을 가지는 장치일 수 있다. 제1 뉴럴 프로세싱 장치(1) 및 제2 뉴럴 프로세싱 장치(2)는 서로 외부 인터페이스(3)를 통해서 연결되어 데이터 및 제어 신호를 공유할 수 있다.The second
도 1에서는 2개의 뉴럴 프로세싱 장치를 도시하였지만, 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 시스템(NPS)이 이에 제한되는 것은 아니다. 즉, 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 시스템(NPS)은 3개 이상의 뉴럴 프로세싱 장치가 외부 인터페이스(3)를 통해서 서로 연결될 수도 있다. 또한, 반대로, 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 시스템(NPS)은 하나의 뉴럴 프로세싱 장치만을 포함할 수도 있다.Although two neural processing devices are shown in FIG. 1, the neural processing system (NPS) according to some embodiments of the present invention is not limited thereto. That is, in the neural processing system (NPS) according to some embodiments of the present invention, three or more neural processing devices may be connected to each other through the
이때, 제1 뉴럴 프로세싱 장치(1) 및 제2 뉴럴 프로세싱 장치(2)는 각각 뉴럴 프로세싱 장치가 아닌 다른 프로세싱 장치일 수도 있다. 즉, 제1 뉴럴 프로세싱 장치(1) 및 제2 뉴럴 프로세싱 장치(2)는 각각 그래픽 프로세싱 장치(GPU, graphics processing unit), 중앙 처리 장치(CPU, central processing unit) 및 그 외의 다른 종류의 프로세싱 장치일 수도 있다. 이하에서는 편의상 제1 뉴럴 프로세싱 장치(1) 및 제2 뉴럴 프로세싱 장치(2)가 뉴럴 프로세싱 장치인 것으로 설명한다.At this time, the first
도 2는 도 1의 뉴럴 프로세싱 장치를 세부적으로 설명하기 위한 블록도이다.FIG. 2 is a block diagram for explaining the neural processing device of FIG. 1 in detail.
도 2를 참조하면, 제1 뉴럴 프로세싱 장치(1)는 뉴럴 코어 SoC(10), CPU(20), 오프 칩 메모리(30), 제1 비휘발성 메모리 인터페이스(40), 제1 휘발성 메모리 인터페이스(50), 제2 비휘발성 메모리 인터페이스(60), 제2 휘발성 메모리 인터페이스(70) 및 컨트롤 인터페이스(CIF)(80)를 포함할 수 있다.Referring to FIG. 2, the first
뉴럴 코어 SoC(10)는 시스템 온 칩(System on Chip) 장치일 수 있다. 뉴럴 코어 SoC(10)는 인공지능 연산 유닛으로 가속기(Accelerator)일 수 있다. 뉴럴 코어 SoC(10)는 예를 들어, GPU(graphics processing unit), FPGA(field programmable gate array) 및 ASIC(application-specific integrated circuit) 중 어느 하나일 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.The
뉴럴 코어 SoC(10)는 외부 인터페이스(3)를 통해서 다른 외부의 연산 유닛들과 데이터를 교환할 수 있다. 또한, 뉴럴 코어 SoC(10)는 제1 비휘발성 메모리 인터페이스(40) 및 제1 휘발성 메모리 인터페이스(50)를 통해서 각각 비휘발성 메모리(31) 및 휘발성 메모리(32)와 연결될 수 있다.The neural core SoC (10) can exchange data with other external computational units through the external interface (3). Additionally, the
CPU(20)는 제1 뉴럴 프로세싱 장치(1)의 시스템을 통제하고 프로그램의 연산을 실행하는 제어장치일 수 있다. CPU(20)는 범용 연산 유닛으로서 딥러닝에 많이 사용되는 병렬 단순 연산을 수행하기에는 효율이 낮을 수 있다. 따라서, 뉴럴 코어 SoC(10)가 딥러닝 추론 및 학습 작업에 연산을 수행하여 높은 효율을 가질 수 있다.The
CPU(20)는 외부 인터페이스(3)를 통해서 다른 외부의 연산 유닛들과 데이터를 교환할 수 있다. 또한, CPU(20)는 제2 비휘발성 메모리 인터페이스(60) 및 제2 휘발성 메모리 인터페이스(70)를 통해서 각각 비휘발성 메모리(31) 및 휘발성 메모리(32)와 연결될 수 있다.The
CPU(20)는 또한, 커맨드를 통해서 뉴럴 코어 SoC(10)에 태스크를 전달할 수 있다. 이때, CPU(20)는 뉴럴 코어 SoC(10)에 지시를 주는 일종의 호스트(Host)일 수 있다. 즉, 뉴럴 코어 SoC(10)는 CPU(20)의 지시에 따라서 딥러닝 작업 등 병렬 연산 작업을 효율적으로 수행할 수 있다.The
오프 칩 메모리(30)는 뉴럴 코어 SoC(10)의 칩 외부에 배치된 메모리일 수 있다. 오프 칩 메모리(30)는 비휘발성 메모리(31) 및 휘발성 메모리(32)를 포함할 수 있다.The off-
비휘발성 메모리(31)는 전원이 공급되지 않아도 저장된 정보를 계속 유지하는 메모리일 수 있다. 비휘발성 메모리(31)는 예를 들어, ROM(Read-Only Memory), PROM(Programmable Read-Only Memory), EAROM(Erasable Alterable ROM), EPROM(Erasable Programmable Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory)(예를 들어, 낸드 플래시 메모리(NAND Flash memory), 노어 플래시 메모리(NOR Flash memory)), UVEPROM(Ultra-Violet Erasable Programmable Read-Only Memory), FeRAM(Ferroelectric Random Access Memory), MRAM(Magnetoresistive Random Access Memory), PRAM(Phase-change Random Access Memory), SONOS(silicon-oxide-nitride-oxide-silicon), RRAM(Resistive Random Access Memory), NRAM(Nanotube Random Access Memory), 마그네틱 컴퓨터 기억 장치(예를 들면, 하드 디스크, 디스켓 드라이브, 마그네틱 테이프), 광디스크 드라이브 및 3D 크로스포인트 메모리(3D XPoint memory) 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.The
휘발성 메모리(32)는 비휘발성 메모리(31)와 달리, 저장된 정보를 유지하기 위해서 전력을 지속적으로 필요로 하는 메모리일 수 있다. 휘발성 메모리(32)는 예를 들어, DRAM(Dynamic Random Access Memory), SRAM(Static Random Access Memory), SDRAM(Synchronous Dynamic Random Access Memory) 및 DDR SDRAM(Double Data Rate SDRAM) 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.Unlike the
제1 비휘발성 메모리 인터페이스(40) 및 제2 비휘발성 메모리 인터페이스(60)는 각각 예를 들어, PATA(Parallel Advanced Technology Attachment), SCSI(Small Computer System Interface), SAS(Serial Attached SCSI), SATA(Serial Advanced Technology Attachment) 및 PCIe(PCI Express) 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.The first
제1 휘발성 메모리 인터페이스(50) 및 제2 휘발성 메모리 인터페이스(70)는 각각 예를 들어, SDR(Single Data Rate), DDR(Double Data Rate), QDR(Quad Data Rate), 및 XDR(eXtreme Data Rate, Octal Data Rate) 중 적어도 하나일 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.The first
컨트롤 인터페이스(80)는 CPU(20)와 뉴럴 코어 SoC(10) 사이의 제어 신호를 전달하기 위한 인터페이스일 수 있다. 컨트롤 인터페이스(80)는 CPU(20)의 커맨드를 전송하고, 이에 대한 뉴럴 코어 SoC(10)의 응답을 전송할 수 있다. 컨트롤 인터페이스(80)는 예를 들어, PCIe(PCI Express)일 수 있으나, 이에 제한되는 것은 아니다.The
도 3은 도 2의 뉴럴 코어 SoC를 세부적으로 설명하기 위한 블록도이다.FIG. 3 is a block diagram for explaining the neural core SoC of FIG. 2 in detail.
도 2 및 도 3을 참조하면, 뉴럴 코어 SoC(10)는 적어도 하나의 뉴럴 프로세서(1000), 공유 메모리(2000), DMA(Direct Memory Access)(3000), 비휘발성 메모리 컨트롤러(4000), 휘발성 메모리 컨트롤러(5000), 커맨드 프로세서(7000) 및 글로벌 인터커넥션(6000)을 포함할 수 있다.2 and 3, the
뉴럴 프로세서(1000)는 연산 작업을 직접 수행하는 연산 유닛일 수 있다. 뉴럴 프로세서(1000)가 복수인 경우 연산 작업은 각각의 뉴럴 프로세서(1000)로 할당될 수 있다. 각각의 뉴럴 프로세서(1000)는 글로벌 인터커넥션(6000)을 통해서 서로 연결될 수 있다.The
공유 메모리(2000)는 여러 뉴럴 프로세서(1000)에 의해서 공유되는 메모리일 수 있다. 공유 메모리(2000)는 각각의 뉴럴 프로세서(1000)의 데이터를 저장할 수 있다. 또한, 공유 메모리(2000)는 오프 칩 메모리(30)로부터 데이터를 수신하여 일시적으로 저장하고 각각의 뉴럴 프로세서(1000)로 전달할 수 있다. 반대로, 공유 메모리(2000)는 뉴럴 프로세서(1000)로부터 데이터를 수신하여 일시적으로 저장하고 도 2의 오프 칩 메모리(30)로 전달할 수도 있다. The shared
공유 메모리(2000)는 상대적으로 속도가 빠른 메모리가 필요할 수 있다. 이에 따라서, 공유 메모리(2000)는 예를 들어, SRAM을 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다. 즉, 공유 메모리(2000)는 DRAM을 포함할 수도 있다.Shared
공유 메모리(2000)는 SoC 레벨 즉, L2(level 2)에 해당하는 메모리일 수 있다. 따라서, 공유 메모리(2000)는 L2 공유 메모리라 정의할 수도 있다.The shared
DMA(3000)는 CPU(20) 또는 뉴럴 프로세서(1000)가 데이터의 입출력을 제어할 필요없이 직접 데이터의 이동을 제어할 수 있다. 이에 따라서, DMA(3000)가 메모리 사이의 데이터 이동을 제어하여 CPU(20) 또는 뉴럴 프로세서(1000)의 인터럽트의 횟수를 최소화시킬 수 있다.The
DMA(3000)는 공유 메모리(2000)와 오프 칩 메모리(30) 사이의 데이터 이동을 제어할 수 있다. DMA(3000)의 권한을 통해서 비휘발성 메모리 컨트롤러(4000) 및 휘발성 메모리 컨트롤러(5000)가 데이터를 이동을 수행할 수 있다.The DMA (3000) can control data movement between the shared memory (2000) and the off-chip memory (30). The
비휘발성 메모리 컨트롤러(4000)는 비휘발성 메모리(31)에 리드(read) 또는 라이트(write) 작업을 제어할 수 있다. 비휘발성 메모리 컨트롤러(4000)는 제1 비휘발성 메모리 인터페이스(40)를 통해서 비휘발성 메모리(31)를 제어할 수 있다.The
휘발성 메모리 컨트롤러(5000)는 휘발성 메모리(32)에 리드 또는 라이트 작업을 제어할 수 있다. 또한, 휘발성 메모리 컨트롤러(5000)는 휘발성 메모리(32)의 리프레쉬 작업을 수행할 수 있다. 휘발성 메모리 컨트롤러(5000)는 제1 휘발성 메모리 인터페이스(50)를 통해서 휘발성 메모리(32)를 제어할 수 있다.The
커맨드 프로세서(7000)는 컨트롤 인터페이스(80)와 연결될 수 있다. 커맨드 프로세서(7000)는 컨트롤 인터페이스(80)를 통해서 CPU(20)로부터 제어 신호를 수신할 수 있다. 커맨드 프로세서(7000)는 CPU(20)로부터 받은 제어 신호를 통해서 태스크를 생성하고, 이를 각각의 뉴럴 프로세서(1000)로 전달할 수 있다. 또한, 커맨드 프로세서(7000)는 각각의 뉴럴 프로세서(1000)로부터 태스크에 대한 완료 리포트를 수신할 수 있다.The
글로벌 인터커넥션(6000)은 적어도 하나의 뉴럴 프로세서(1000), 공유 메모리(2000), DMA(3000), 비휘발성 메모리 컨트롤러(4000), 커맨드 프로세서(7000) 및 휘발성 메모리 컨트롤러(5000)를 서로 연결할 수 있다. 또한, 외부 인터페이스(3)도 글로벌 인터커넥션(6000)에 연결될 수 있다. 글로벌 인터커넥션(6000)은 적어도 하나의 뉴럴 프로세서(1000), 공유 메모리(2000), DMA(3000), 비휘발성 메모리 컨트롤러(4000), 휘발성 메모리 컨트롤러(5000), 커맨드 프로세서(7000) 및 외부 인터페이스(3) 사이의 데이터가 이동하는 경로일 수 있다.The
글로벌 인터커넥션(6000)은 데이터뿐만 아니라 제어 신호 및 동기화를 위한 신호를 전송할 수 있다. 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 장치는 각각의 뉴럴 프로세서(1000)가 직접 동기화 신호를 전송하고 수신할 수 있다. 이에 따라서, 커맨드 프로세서(7000)에 의해서 발생하는 동기화 신호의 전송에 따른 레이턴시를 최소화할 수 있다. The
즉, 뉴럴 프로세서(1000)가 복수일 때, 어느 뉴럴 프로세서(1000)의 작업이 종료되어야 다음 뉴럴 프로세서(1000)가 새로운 작업을 시작할 수 있는 개별 작업의 디펜던시가 존재할 수 있다. 이러한 개별 작업의 종료와 시작은 동기화 신호를 통해서 확인할 수 있는데, 기존의 기술은 이러한 동기화 신호의 수신과 새로운 작업의 시작 지시는 모두 커맨드 프로세서(7000) 또는 호스트 즉, CPU(20)가 전담하여 수행하였다. That is, when there are multiple
그러나, 뉴럴 프로세서(1000)의 숫자가 늘어나고, 작업의 디펜던시가 복잡하게 설계되면 될수록 이러한 동기화 신호의 수는 기하급수적으로 늘어나서, 각각의 동기화 신호에 따른 레이턴시가 작업의 효율을 크게 낮출 수 있다.However, as the number of
따라서, 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 장치는 커맨드 프로세서(7000) 대신 각각의 뉴럴 프로세서(1000)가 직접 동기화 신호의 일부를 작업의 디펜던시에 따라 다른 뉴럴 프로세서(1000)로 전송할 수 있다. 이 경우 커맨드 프로세서(7000)에 의해서 관리되는 방식에 비해서 병렬적으로 여러 뉴럴 프로세서(1000)가 동기화 작업을 수행할 수 있어 동기화에 따른 레이턴시를 최소화할 수 있다. Therefore, in the neural processing device according to some embodiments of the present invention, instead of the
또한, 커맨드 프로세서(7000)가 작업 디펜던시에 따른 뉴럴 프로세서(1000)들의 작업 스케쥴링을 수행해야 하는데 이러한 스케쥴링의 오버헤드도 뉴럴 프로세서(1000)의 개수가 늘어나면 늘어날수록 크게 늘어날 수 있다. 따라서, 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 장치는 스케쥴링 작업도 개별 뉴럴 프로세서(1000)에 의해서 일부 진행되어 그에 따른 스케쥴링 부담도 줄어들어 장치의 성능이 향상될 수 있다.In addition, the
또한, 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 장치는 각각의 뉴럴 프로세서(1000)의 뉴럴 코어에서 태스크 완료 여부, 이벤트 발생, 태스크 수행의 지연 여부 등을 모니터링을 수행할 수 있으며, 커맨드 프로세서(7000)의 개입을 최소화하여 커맨드 프로세서(7000)의 부담을 경감하여 장치의 성능이 향상될 수 있다. In addition, the neural processing device according to some embodiments of the present invention may monitor task completion, event occurrence, and delay in task performance in the neural core of each
또한, 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 장치는 태스크 모니터링 여부를 태스크별로 각각 설정하여 완료 리포트를 선택적으로 생성할 수 있으며, 커맨드 프로세서(7000)로의 보고가 필요한 경우, 완료 리포트 생성 여부를 수정하도록 구성될 수 있다. 이에 따라, 모든 태스크에 대한 모니터링을 수행하지 않으면서도 경고가 필요한 태스크에 대한 보고가 가능할 수 있으며, 커맨드 프로세서(7000)의 부담을 경감하면서 태스크에 대한 안정적인 모니터링이 가능할 수 있다. In addition, the neural processing device according to some embodiments of the present invention can selectively generate a completion report by setting whether to monitor each task for each task, and when reporting to the
도 4는 도 3의 글로벌 인터커넥션을 세부적으로 설명하기 위한 구조도이다.FIG. 4 is a structural diagram for explaining the global interconnection of FIG. 3 in detail.
도 4를 참조하면, 글로벌 인터커넥션(6000)은 데이터 채널(6100), 컨트롤 채널(6200) 및 L2 싱크 채널(6300)을 포함할 수 있다.Referring to FIG. 4, the
데이터 채널(6100)은 데이터를 전송하는 전용 채널일 수 있다. 데이터 채널(6100)을 통해서 적어도 하나의 뉴럴 프로세서(1000), 공유 메모리(2000), DMA(3000), 비휘발성 메모리 컨트롤러(4000), 휘발성 메모리 컨트롤러(5000) 및 외부 인터페이스(3)가 서로 데이터를 교환할 수 있다.The
컨트롤 채널(6200)은 제어 신호를 전송하는 전용 채널일 수 있다. 컨트롤 채널(6200)을 통해서 적어도 하나의 뉴럴 프로세서(1000), 공유 메모리(2000), DMA(3000), 비휘발성 메모리 컨트롤러(4000), 휘발성 메모리 컨트롤러(5000), 커맨드 프로세서(7000) 및 외부 인터페이스(3)가 서로 제어 신호를 교환할 수 있다. 특히, 커맨드 프로세서(7000)는 각각의 뉴럴 프로세서(1000)로 여러가지 제어 신호를 전달할 수 있다.The
L2 싱크 채널(6300)은 동기화 신호를 전송하는 전용 채널일 수 있다. L2 싱크 채널(6300)을 통해서 적어도 하나의 뉴럴 프로세서(1000), 공유 메모리(2000), DMA(3000), 비휘발성 메모리 컨트롤러(4000), 휘발성 메모리 컨트롤러(5000), 커맨드 프로세서(7000) 및 외부 인터페이스(3)가 서로 동기화 신호를 교환할 수 있다.The
L2 싱크 채널(6300)은 글로벌 인터커넥션(6000) 내부에 전용 채널로 설정되어 다른 채널과 겹치지 않고 동기화 신호를 빠르게 전송할 수 있다. 이에 따라서, 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 장치는 새로운 와이어링 작업이 필요하지 않고 기존에 사용되는 글로벌 인터커넥션(6000)을 이용하여 동기화 작업을 원활하게 진행할 수 있다.The
도 5는 도 1의 뉴럴 프로세싱 장치의 제어 신호의 흐름을 설명하기 위한 블록도이다.FIG. 5 is a block diagram for explaining the flow of control signals of the neural processing device of FIG. 1.
도 5를 참조하면, CPU(20)는 컨트롤 인터페이스(80)를 통해서 커맨드 프로세서(7000)로 제어 신호를 전달할 수 있다. 이때, 제어 신호는 연산 작업이나 데이터 로드/스토어 작업 등 각각의 오퍼레이션을 수행하도록 지시하는 신호일 수 있다.Referring to FIG. 5, the
커맨드 프로세서(7000)는 제어 신호를 받아 컨트롤 채널(6200)을 통해서 적어도 하나의 뉴럴 프로세서(1000)에게 제어 신호를 전달할 수 있다. 각각의 제어 신호는 각각의 태스크로서 뉴럴 프로세서(1000)에 저장될 수 있다.The
도 6은 도 3의 뉴럴 프로세서를 세부적으로 설명하기 위한 블록도이다.FIG. 6 is a block diagram for explaining the neural processor of FIG. 3 in detail.
도 3 내지 도 6을 참조하면, 뉴럴 프로세서(1000)는 적어도 하나의 뉴럴 코어(100), 로컬 인터커넥션(200), L1 싱크 패스(300), L1 공유 메모리(400), 코어 글로벌(500), 태스크 매니저(600) 및 L1 LSU(700)를 포함할 수 있다.3 to 6, the
적어도 하나의 뉴럴 코어(100)는 뉴럴 프로세서(1000)의 작업을 분담하여 수행할 수 있다. 뉴럴 코어(100)는 예를 들어, 8개일 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다. 도 3 및 도 5에서는 여러 개의 뉴럴 코어(100)가 뉴럴 프로세서(1000)에 포함되는 것으로 도시하였지만, 본 실시예가 이에 제한되는 것은 아니다. 즉, 하나의 뉴럴 코어(100) 만으로 뉴럴 프로세서(1000)가 구성될 수 있다.At least one
뉴럴 코어(100)는 코어 글로벌(500)로부터 태스크 정보를 수신하고, 태스크 정보에 따른 태스크를 수행할 수 있다. 이때, 태스크는 제어 신호에 의해서 정의될 수 있고, 태스크는 메모리 오퍼레이션 중 어느 하나일 수 있다. 메모리 오퍼레이션은 예를 들어, 마이크로 DMA(μDMA), LP 마이크로 DMA(Low Priority μDMA), 스토어μDMA(STμDMA) 및 프리 프로세싱 작업 중 어느 하나일 수 있다.The
L1 공유 메모리(400)는 뉴럴 프로세서(1000) 내에서 각각의 뉴럴 코어(100)들이 공유하는 메모리일 수 있다. L1 공유 메모리(400)는 각각의 뉴럴 코어(100)의 데이터를 저장할 수 있다. 또한, L1 공유 메모리(400)는 도 4의 공유 메모리(2000)로부터 데이터를 수신하여 일시적으로 저장하고 각각의 뉴럴 코어(100)로 전달할 수 있다. 반대로, L1 공유 메모리(400)는 뉴럴 코어(100)로부터 데이터를 수신하여 일시적으로 저장하고 도 3의 공유 메모리(2000)로 전달할 수도 있다. The L1 shared
L1 공유 메모리(400)는 뉴럴 프로세서 레벨, 즉, L1(level 1)에 해당하는 메모리일 수 있다. L2 공유 메모리 즉, 공유 메모리(2000)는 뉴럴 프로세서(1000)에 의해서 공유되고, L1 공유 메모리(400)는 뉴럴 코어(100)에 의해서 공유될 수 있다.The L1 shared
L1 LSU(700)는 글로벌 인터커넥션(6000)을 통해서 외부에서 데이터, 제어 신호 및 동기화 신호 중 적어도 하나를 수신할 수 있다. L1 LSU(700)는 L1 공유 메모리(400)로 수신한 데이터, 제어 신호 및 동기화 신호 중 적어도 하나를 전송할 수 있다. 유사하게 L1 LSU(700)는 글로벌 인터커넥션(6000)을 통해서 데이터, 제어 신호 및 동기화 신호 중 적어도 하나를 외부로 전달 수 있다. 또한, L1 LSU(700)는 뉴럴 코어(100) 각각에 대해서 데이터, 제어 신호 및 동기화 신호 중 적어도 하나를 전달하고, 수신할 수 있다.The
뉴럴 코어(100)는 코어 글로벌(500)로부터 태스크 정보를 수신하고, 태스크 정보에 따른 태스크를 수행할 수 있다. 이때, 태스크는 컴퓨테이션 작업(연산 작업) 또는 메모리 오퍼레이션과 관련된 작업일 수 있다. 태스크는 제어 신호에 의해서 정의될 수 있다. 태스크 정보는 태스크에 대한 정보로서, 태스크의 타입, 태스크의 형태, 태스크의 추가 정보 등에 대한 정보일 수 있다.The
뉴럴 코어(100)는 태스크의 수행이 완료되는 완료 신호를 코어 글로벌(500)로 전달할 수 있다The
태스크 매니저(600)는 컨트롤 인터커넥션(CI)으로부터 태스크를 수신할 수 있다. 이때, 컨트롤 인터커넥션(CI)은 커맨드 프로세서(7000)로부터 태스크를 전달하는 전송 인터페이스의 총칭일 수 있다. 즉, 컨트롤 인터커넥션(CI)은 컨트롤 채널(6200) 및 로컬 인터커넥션(200)을 포함할 수 있다.The
태스크 매니저(600)는 태스크를 수신하여 태스크 정보를 생성하고, 코어 글로벌(500)로 전송할 수 있다. 또한, 태스크 매니저(600)는 코어 글로벌(500)을 통해서 완료 신호를 수신하고, 이에 따른 완료 리포트를 생성하여 컨트롤 인터커넥션(CI)을 통해서 커맨드 프로세서(7000)로 전달할 수 있다.The
코어 글로벌(500)은 뉴럴 코어(100) 내에 하드웨어 적으로 연결된 와이어 구조일 수 있다. 코어 글로벌(500)은 도시되지는 않았지만, 뉴럴 코어(100), L1 공유 메모리(400), L1 LSU(700) 및 태스크 매니저(600)를 모두 연결하는 구조일 수 있다. 이에 따라서, 로컬 인터커넥션(200) 및 L1 싱크 패스(300)도 코어 글로벌(500)에 포함될 수도 있다. 단, 본 실시예가 이에 제한되는 것은 아니다. The core global 500 may be a wire structure connected in hardware to the
코어 글로벌(500)은 태스크 매니저(600)로부터 태스크 정보를 수신하여 뉴럴 코어(100)로 전달하고, 그에 대한 완료 신호를 뉴럴 코어(100)로부터 전달받을 수 있다. 이어서, 코어 글로벌(500)은 완료 신호를 태스크 매니저(600)로 전달할 수 있다.The core global 500 may receive task information from the
로컬 인터커넥션(200)은 적어도 하나의 뉴럴 코어(100), L1 공유 메모리(400), 코어 글로벌(500), 태스크 매니저(600) 및 L1 LSU(700)를 서로 연결할 수 있다. 로컬 인터커넥션(200)은 적어도 하나의 뉴럴 코어(100), L1 공유 메모리(400), 코어 글로벌(500), 태스크 매니저(600) 및 L1 LSU(700) 사이의 데이터가 이동하는 경로일 수 있다. 로컬 인터커넥션(200)은 도 3의 글로벌 인터커넥션(6000)과 연결되어 데이터를 전송할 수 있다.The
L1 싱크 패스(300)는 적어도 하나의 뉴럴 코어(100), L1 공유 메모리(400), 코어 글로벌(500), 태스크 매니저(600) 및 L1 LSU(700)를 서로 연결할 수 있다. L1 싱크 패스(300)는 적어도 하나의 뉴럴 코어(100), L1 공유 메모리(400), 코어 글로벌(500), 태스크 매니저(600) 및 L1 LSU(700)의 동기화 신호가 이동하는 경로일 수 있다. The
L1 싱크 패스(300)는 로컬 인터커넥션(200)과 물리적으로 별도로 형성될 수 있다. 로컬 인터커넥션(200)의 경우 글로벌 인터커넥션(6000)과 달리 내부에 충분한 채널이 형성되지 않을 수 있다. 이러한 경우에는 L1 싱크 패스(300)가 별도의 형성되어 동기화 신호의 전송을 빠르고 지체없이 수행할 수 있다. L1 싱크 패스(300)는 글로벌 인터커넥션(6000)의 L2 싱크 채널(6300)에 비해서 한단계 낮은 레벨에서 수행되는 동기화에 사용될 수 있다.The
도 7은 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 장치의 계층적 구조를 설명하기 위한 도면이다.FIG. 7 is a diagram illustrating the hierarchical structure of a neural processing device according to some embodiments of the present invention.
도 7을 참조하면, 뉴럴 코어 SoC(10)는 적어도 하나의 뉴럴 프로세서(1000)를 포함할 수 있다. 각각의 뉴럴 프로세서(1000)는 글로벌 인터커넥션(6000)을 통해서 서로 데이터를 전송할 수 있다. Referring to FIG. 7, the
뉴럴 프로세서(1000)는 각각 적어도 하나의 뉴럴 코어(100)를 포함할 수 있다. 뉴럴 코어(100)는 딥러닝 연산 작업에 최적화된 프로세싱 단위 유닛일 수 있다. 뉴럴 코어(100)는 딥러닝 연산 작업의 하나의 오퍼레이션에 대응하는 프로세싱 단위 유닛일 수 있다. 즉, 딥러닝 연산 작업은 여러 오퍼레이션의 순차적 또는 병렬적 결합으로 표현 가능할 수 있다. 뉴럴 코어(100)는 각각 하나의 오퍼레이션을 처리할 수 있는 프로세싱 단위 유닛으로서 컴파일러 입장에서 스케쥴링에 고려할 수 있는 최소한의 연산 단위일 수 있다. Each
본 실시예에 따른 뉴럴 프로세싱 장치는 컴파일러 스케쥴링 입장에서 고려되는 최소한의 연산 단위와 하드웨어 프로세싱 단위 유닛의 스케일을 동일하게 구성하여 빠르고 효율적인 스케쥴링 및 연산 작업의 수행을 도모할 수 있다.The neural processing device according to this embodiment can achieve fast and efficient scheduling and performance of calculation tasks by configuring the scale of the minimum calculation unit and hardware processing unit considered from a compiler scheduling perspective to be the same.
즉, 연산 작업에 비해서 하드웨어의 분할할 수 있는 프로세싱 단위 유닛이 지나치게 크다면 프로세싱 단위 유닛의 구동에서 연산 작업의 비효율이 발생할 수 있다. 반대로, 컴파일러의 스케쥴링 최소 단위인 오퍼레이션보다 더 작은 단위의 프로세싱 유닛을 매번 스케쥴링하는 것은 스케쥴링의 비효율이 발생할 수 있고, 하드웨어 설계 비용이 높아질 수 있어 적절하지 않다.In other words, if the processing unit that can be divided into hardware is too large compared to the computational task, inefficiency in the computational task may occur when driving the processing unit. Conversely, it is not appropriate to always schedule a processing unit smaller than the operation, which is the compiler's minimum scheduling unit, because scheduling inefficiencies may occur and hardware design costs may increase.
따라서, 본 실시예는 컴파일러의 스케쥴링 단위와 하드웨어 프로세싱 단위의 스케일을 유사하게 조율하여 빠른 연산 작업의 스케쥴링과 하드웨어 리소스의 낭비없이 효율적인 연산 작업 수행을 동시에 충족시킬 수 있다.Therefore, in this embodiment, the scale of the compiler's scheduling unit and the hardware processing unit can be similarly adjusted to simultaneously satisfy fast computational task scheduling and efficient computational task performance without wasting hardware resources.
도 8은 도 6의 뉴럴 코어를 세부적으로 설명하기 위한 블록도이다.FIG. 8 is a block diagram for explaining the neural core of FIG. 6 in detail.
도 8을 참조하면, 뉴럴 코어(100)는 LSU(Load/Store Unit)(110), L0 메모리(120), 웨이트 버퍼(130), 액티베이션 LSU(140), 액티베이션 버퍼(150) 및 프로세싱 유닛(160)을 포함할 수 있다.Referring to FIG. 8, the
LSU(110)는 로컬 인터커넥션(200) 및 L1 싱크 패스(300)를 통해서 외부에서 데이터, 제어 신호 및 동기화 신호 중 적어도 하나를 수신할 수 있다. LSU(110)는 L0 메모리(120)로 수신한 데이터, 제어 신호 및 동기화 신호 중 적어도 하나를 전송할 수 있다. 유사하게 LSU(110)는 로컬 인터커넥션(200) 및 L1 싱크 패스(300)를 통해서 데이터, 제어 신호 및 동기화 신호 중 적어도 하나를 외부로 전달 수 있다.The
구체적으로, 마이크로 DMA 작업은 뉴럴 코어(100)가 공유 메모리(2000) 또는 오프 칩 메모리(30)에서 L0 메모리(120)로 프로그램 또는 데이터를 로드하는 작업일 수 있다. LP 마이크로 DMA 작업은 일반적인 마이크로 DMA 작업과 달리 현재 프로그램 또는 데이터가 아닌 이후에 사용할 프로그램 또는 데이터에 대한 로드 작업일 수 있다. 이러한 작업은 낮은 우선 순위를 가지고 있기에, 마이크로 DMA 작업과 달리 식별될 수 있다. ST 마이크로 DMA 작업은 뉴럴 코어(100)의 L0 메모리(120)에서 공유 메모리(2000) 또는 오프 칩 메모리(30)로 데이터를 저장하는 스토어 작업일 수 있다. 프리 프로세싱 작업은 CPU(20)에서 대량의 룩업 테이블과 같은 데이터를 미리 로드하는 작업을 포함할 수 있다.Specifically, the micro DMA task may be a task in which the
도 9는 도 8의 LSU을 세부적으로 설명하기 위한 블록도이다.FIG. 9 is a block diagram for explaining the LSU of FIG. 8 in detail.
도 9를 참조하면, LSU(110)는 로컬 메모리 로드 유닛(111a), 로컬 메모리 스토어 유닛(111b), 뉴럴 코어 로드 유닛(112a), 뉴럴 코어 스토어 유닛(112b), 로드 버퍼(LB), 스토어 버퍼(SB), 로드 엔진(113a), 스토어 엔진(113b) 및 변환 색인 버퍼(114)를 포함할 수 있다.Referring to FIG. 9, the
로컬 메모리 로드 유닛(111a)은 L0 메모리(120)에 대한 로드 인스트럭션을 페치(fetch)하고, 로드 인스트럭션을 이슈(issue)할 수 있다. 로컬 메모리 로드 유닛(111a)이 이슈된 로드 인스트럭션을 로드 버퍼(LB)에 제공하면 로드 버퍼(LB)가 입력된 순서에 따라서 순차적으로 로드 엔진(113a)으로 메모리 액세스 요청을 전송할 수 있다.The local
또한, 로컬 메모리 스토어 유닛(111b)은 L0 메모리(120)에 대한 스토어 인스트럭션을 페치하고, 스토어 인스트럭션을 이슈할 수 있다. 로컬 메모리 스토어 유닛(111b)이 이슈된 스토어 인스트럭션을 스토어 버퍼(SB)에 제공하면 스토어 버퍼(SB)가 입력된 순서에 따라서 순차적으로 스토어 엔진(113b)으로 메모리 액세스 요청을 전송할 수 있다.Additionally, the local
뉴럴 코어 로드 유닛(112a)은 뉴럴 코어(100)에 대한 로드 인스트럭션을 페치하고, 로드 인스트럭션을 이슈할 수 있다. 뉴럴 코어 로드 유닛(112a)이 이슈된 로드 인스트럭션을 로드 버퍼(LB)에 제공하면 로드 버퍼(LB)가 입력된 순서에 따라서 순차적으로 로드 엔진(113a)으로 메모리 액세스 요청을 전송할 수 있다.The neural
또한, 뉴럴 코어 스토어 유닛(112b)은 뉴럴 코어(100)에 대한 스토어 인스트럭션을 페치하고, 스토어 인스트럭션을 이슈할 수 있다. 뉴럴 코어 스토어 유닛(112b)이 이슈된 스토어 인스트럭션을 스토어 버퍼(SB)에 제공하면 스토어 버퍼(SB)가 입력된 순서에 따라서 순차적으로 스토어 엔진(113b)으로 메모리 액세스 요청을 전송할 수 있다.Additionally, the neural
로드 엔진(113a)은 메모리 액세스 요청을 수신하여 로컬 인터커넥션(200)을 통해서 데이터를 불러올 수 있다. 이때, 로드 엔진(113a)은 변환 색인 버퍼(114)에서 최근에 사용된 로지컬 어드레스와 피지컬 어드레스의 변환 테이블을 이용하여 빠르게 데이터를 찾을 수 있다. 로드 엔진(113a)의 로지컬 어드레스가 변환 색인 버퍼(114)에 없는 경우에는 다른 메모리에서 주소 변환 정보를 찾을 수 있다.The
스토어 엔진(113b)은 메모리 액세스 요청을 수신하여 로컬 인터커넥션(200)를 통해서 데이터를 불러올 수 있다. 이때, 스토어 엔진(113b)은 변환 색인 버퍼(114)에서 최근에 사용된 로지컬 어드레스와 피지컬 어드레스의 변환 테이블을 이용하여 빠르게 데이터를 찾을 수 있다. 스토어 엔진(113b)의 로지컬 어드레스가 변환 색인 버퍼(114)에 없는 경우에는 다른 메모리에서 주소 변환 정보를 찾을 수 있다.The
로드 엔진(113a) 및 스토어 엔진(113b)은 L1 싱크 패스(300)로 동기화 신호를 보낼 수 있다. 이때, 동기화 신호는 작업이 종료되었다는 의미를 가질 수 있다.The
다시, 도 8을 참조하면, L0 메모리(120)는 뉴럴 코어(100) 내부에 위치한 메모리로서, 뉴럴 코어(100)가 작업에 필요한 모든 입력 데이터를 외부로부터 수신하여 임시로 저장할 수 있다. 또한, L0 메모리(120)는 뉴럴 코어(100)에 의해서 연산된 출력 데이터를 외부로 전송하기 위해서 일시적으로 저장할 수 있다. Referring again to FIG. 8, the
L0 메모리(120)는 액티베이션 LSU(140)에 의해서 인풋 액티베이션(Act_In)을 액티베이션 버퍼(150)로 전송하고, 아웃풋 액티베이션(Act_Out)을 수신할 수 있다. L0 메모리(120)는 액티베이션 LSU(140) 외에도, 프로세싱 유닛(160)과 직접 데이터를 송수신할 수 있다. 즉, L0 메모리(120)는 PE 어레이(163) 및 벡터 유닛(164) 각각과 데이터를 주고받을 수 있다. L0 메모리(120)는 뉴럴 코어 레벨에 해당하는 메모리일 수 있다. 이때, L0 메모리(120)는 뉴럴 코어의 전용(private) 메모리일 수 있다.The
L0 메모리(120)는 데이터 패스(Data Path)를 통해 액티베이션이나 웨이트 같은 데이터를 전송할 수 있다. L0 메모리(120)는 별도의 전용 패스인 L0 싱크 패스(L0 Sync Path)를 통해서 동기화 신호를 주고받을 수 있다. L0 메모리(120)는 예를 들어, LSU(110), 웨이트 버퍼(130), 액티베이션 LSU(140) 및 프로세싱 유닛(160)과 L0 싱크 패스(L0 Sync Path)를 통해서 동기화 신호를 주고받을 수 있다.The
웨이트 버퍼(130)는 웨이트(Weight)를 L0 메모리(120)로부터 수신할 수 있다. 웨이트 버퍼(130)는 웨이트(Weight)를 프로세싱 유닛(160)으로 전달할 수 있다. 웨이트 버퍼(130)는 웨이트(Weight)를 전달하기 전에 일시적으로 웨이트(Weight)를 저장할 수 있다.The
인풋 액티베이션(Act_In) 및 아웃풋 액티베이션(Act_Out)은 신경망 네트워크의 레이어의 입력값과 출력값을 의미할 수 있다. 이때, 신경망 네트워크의 레이어가 복수인 경우 이전 레이어의 출력값이 다음 레이어의 입력값이 되므로 이전 레이어의 아웃풋 액티베이션(Act_Out)이 다음 레이어의 인풋 액티베이션(Act_In)으로 활용될 수 있다.Input activation (Act_In) and output activation (Act_Out) may refer to the input and output values of the layer of the neural network network. At this time, when the neural network has multiple layers, the output value of the previous layer becomes the input value of the next layer, so the output activation (Act_Out) of the previous layer can be used as the input activation (Act_In) of the next layer.
웨이트(Weight)는 각 레이어에서 입력되는 입력 액티베이션(Act_In)과 곱해지는 파라미터를 의미할 수 있다. 웨이트(Weight)는 딥 러닝 학습 단계에서 조절되어 확정되고, 추론 단계에서는 고정된 값을 통해서 아웃풋 액티베이션(Act_Out)을 도출하기 위해서 사용될 수 있다.Weight may refer to a parameter multiplied by the input activation (Act_In) input from each layer. Weight is adjusted and confirmed in the deep learning learning stage, and can be used to derive output activation (Act_Out) through a fixed value in the inference stage.
액티베이션 LSU(140)는 L0 메모리(120)로부터 인풋 액티베이션(Act_In)을 액티베이션 버퍼(150)로 전달하고, 액티베이션 버퍼(150)로부터 아웃풋 액티베이션(Act_Out)을 상기 온 칩 버퍼로 전달할 수 있다. 즉, 액티베이션 LSU(140)은 액티베이션의 로드 작업과 스토어 작업을 모두 수행할 수 있다.The
액티베이션 버퍼(150)는 프로세싱 유닛(160)으로 인풋 액티베이션(Act_In)을 제공하고, 프로세싱 유닛(160)으로부터 아웃풋 액티베이션(Act_Out)을 수신할 수 있다. 액티베이션 버퍼(150)는 인풋 액티베이션(Act_In)과 아웃풋 액티베이션(Act_Out)을 일시적으로 저장할 수 있다.The
액티베이션 버퍼(150)는 연산량이 많은 프로세싱 유닛(160)에 빠르게 액티베이션을 제공하고, 빠르게 액티베이션을 수신하여 뉴럴 코어(100)의 연산 속도를 높일 수 있다.The
프로세싱 유닛(160)은 연산을 수행하는 모듈일 수 있다. 프로세싱 유닛(160)은 1차원 연산뿐만 아니라 2차원 매트릭스 연산 즉, 컨볼루션 연산을 수행할 수 있다. 프로세싱 유닛(160)은 인풋 액티베이션(Act_In)을 수신하여 웨이트와 곱한 뒤 이를 더하여 아웃풋 액티베이션(Act_Out)을 생성할 수 있다.The
도 10은 도 8의 프로세싱 유닛을 세부적으로 설명하기 위한 블록도이다.FIG. 10 is a block diagram for explaining the processing unit of FIG. 8 in detail.
도 8 및 도 10을 참조하면, 프로세싱 유닛(160)은 PE 어레이(163), 벡터 유닛(164), 컬럼 레지스터(161) 및 로우 레지스터(162)를 포함할 수 있다.Referring to FIGS. 8 and 10 , the
PE 어레이(163)는 인풋 액티베이션(Act_In) 및 웨이트(Weight)를 수신하여 곱셈을 수행할 수 있다. 이때, 인풋 액티베이션(Act_In)과 웨이트(Weight)는 각각 매트릭스 형태로 컨볼루션을 통해서 연산될 수 있다. 이를 통해서, PE 어레이(163)는 아웃풋 액티베이션(Act_Out)을 생성할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다. PE 어레이(163)는 아웃풋 액티베이션(Act_Out)외의 다른 종류의 출력도 얼마든지 생성할 수 있다.The
PE 어레이(163)는 적어도 하나의 프로세싱 엘리먼트(163_1)를 포함할 수 있다. 프로세싱 엘리먼트(163_1)는 서로 정렬되어 각각 하나의 인풋 액티베이션(Act_In)과 하나의 웨이트(Weight)에 대한 곱셈을 수행할 수 있다. The
PE 어레이(163)는 각각의 곱셈에 대한 값을 합한 부분합을 생성할 수 있다. 이러한 부분합은 아웃풋 액티베이션(Act_Out)으로 활용될 수 있다. PE 어레이(163)는 이차원 매트릭스 곱셈을 수행하므로 이차원 매트릭스 연산 유닛(2D matrix compute unit)으로 지칭될 수도 있다.The
벡터 유닛(164)은 1차원 연산을 수행할 수 있다. 벡터 유닛(164)은 PE 어레이(163)와 함께 딥러닝 연산을 수행할 수 있다. 이를 통해서 프로세싱 유닛(160)은 필요한 연산에 특화될 수 있다. 즉, 뉴럴 코어(100)는 대량의 2차원 매트릭스 곱셈과 1차원 연산을 수행하는 연산 모듈이 각각 있어 효율적으로 딥러닝 작업을 수행할 수 있다.The
컬럼 레지스터(161)는 제1 입력(I1)을 수신할 수 있다. 컬럼 레지스터(161)는 제1 입력(I1)을 수신하고 이를 분할하여 PE 어레이(163)의 각 열(column)에 제공할 수 있다.The
로우 레지스터(162)는 제2 입력(I2)을 수신할 수 있다. 로우 레지스터(162)는 제2 입력(I2)을 수신하고 이를 분할하여 PE 어레이(163)의 각 행(row)에 제공할 수 있다.
제1 입력(I1)은 인풋 액티베이션(Act_In) 또는 웨이트(Weight)일 수 있다. 제2 입력(I2)은 인풋 액티베이션(Act_In) 또는 웨이트(Weight) 중 제1 입력(I1)이 아닌 값일 수 있다. 또는, 제1 입력(I1) 및 제2 입력(I2)은 인풋 액티베이션(Act_In) 및 웨이트(Weight) 외의 값이 될 수도 있다.The first input (I1) may be input activation (Act_In) or weight (Weight). The second input (I2) may be a value other than the first input (I1) among input activation (Act_In) or weight (Weight). Alternatively, the first input (I1) and the second input (I2) may be values other than input activation (Act_In) and weight (Weight).
도 11은 도 8의 L0 메모리를 세부적으로 설명하기 위한 블록도이다.FIG. 11 is a block diagram for explaining the L0 memory of FIG. 8 in detail.
도 11을 참조하면, L0 메모리(120)는 스케쥴러(121) 및 적어도 하나의 로컬 메모리 뱅크(122)를 포함할 수 있다.Referring to FIG. 11, the
데이터가 L0 메모리(120)로 저장될 때, 스케쥴러(121)는 로드 엔진(113a)으로부터 데이터를 수신할 수 있다. 이때, 데이터는 라운드 로빈(round robin) 방식으로 로컬 메모리 뱅크(122)를 할당받을 수 있다. 이에 따라서, 데이터는 적어도 하나의 로컬 메모리 뱅크(122) 중 어느 하나에 저장될 수 있다.When data is stored in the
반대로, 데이터가 L0 메모리(120)에서 로드될 때, 스케쥴러(121)는 로컬 메모리 뱅크(122)로부터 데이터를 수신하여 스토어 엔진(113b)으로 전달될 수 있다. 스토어 엔진(113b)은 로컬 인터커넥션(200)을 통해서 외부로 데이터를 저장시킬 수 있다.Conversely, when data is loaded from the
도 12는 도 11의 로컬 메모리 뱅크를 세부적으로 설명하기 위한 블록도이다.FIG. 12 is a block diagram for explaining the local memory bank of FIG. 11 in detail.
도 12를 참조하면, 로컬 메모리 뱅크(122)는 로컬 메모리 뱅크 컨트롤러(122_1) 및 로컬 메모리 뱅크 셀 어레이(122_2)를 포함할 수 있다.Referring to FIG. 12, the
로컬 메모리 뱅크 컨트롤러(122_1)는 로컬 메모리 뱅크(122)에 저장되는 데이터의 어드레스를 통해서 리드 및 라이트 동작을 관리할 수 있다. 즉, 로컬 메모리 뱅크 컨트롤러(122_1)는 데이터의 입출력을 전체적으로 관리할 수 있다.The local memory bank controller 122_1 can manage read and write operations through the address of data stored in the
로컬 메모리 뱅크 셀 어레이(122_2)는 데이터가 직접 저장되는 셀이 행과 열을 맞춰 정렬된 구조일 수 있다. 로컬 메모리 뱅크 셀 어레이(122_2)는 로컬 메모리 뱅크 컨트롤러(122_1)에 의해서 제어될 수 있다.The local memory bank cell array 122_2 may have a structure in which cells in which data is directly stored are aligned in rows and columns. The local memory bank cell array 122_2 may be controlled by the local memory bank controller 122_1.
도 13은 도 1의 뉴럴 프로세싱 장치의 데이터와 제어 신호의 흐름을 설명하기 위한 블록도이고, 도 14는 도 13의 커맨드 프로세서와 태스크 매니저의 관계를 설명하기 위한 블록도이다.FIG. 13 is a block diagram for explaining the flow of data and control signals of the neural processing device of FIG. 1, and FIG. 14 is a block diagram for explaining the relationship between the command processor and task manager of FIG. 13.
도 13 및 도 14를 참조하면, 각각의 뉴럴 프로세서(1000)는 내부에 각각 태스크 매니저(600) 및 L1 LSU(700)를 포함할 수 있다. 태스크 매니저(600)들은 컨트롤 인터커넥션(CI)을 통해서 커맨드 프로세서(7000)와 제어 신호 및 그 응답을 교환할 수 있다.Referring to FIGS. 13 and 14 , each
이에 반해서, L1 LSU(700)는 데이터 인터커넥션 및 메모리(DIM)를 통해서 데이터를 교환할 수 있다. 데이터 인터커넥션 및 메모리(DIM)는 데이터를 전송하기 위한 인터커넥션과 데이터가 공유되는 메모리를 포함할 수 있다. 구체적으로, 데이터 인터커넥션 및 메모리(DIM)는 로컬 인터커넥션(200) 및 데이터 채널(6100)을 포함할 수 있다. 또한, 데이터 인터커넥션 및 메모리(DIM)는 L1 공유 메모리(400), 공유 메모리(2000) 및 휘발성 메모리(32)를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.In contrast, the
태스크 매니저(600)는 커맨드 프로세서(7000)에 의해서 제어될 수 있다. 즉, 커맨드 프로세서(7000)는 태스크 매니저(600)로 제어 신호를 통해 태스크를 전달하고, 태스크 매니저(600)는 태스크의 완료 리포트를 커맨드 프로세서(7000)로 전달할 수 있다. 뉴럴 프로세서(1000)에 적어도 하나의 태스크 매니저(600)가 포함될 수 있다. 또한, 뉴럴 프로세서(1000)가 복수인 경우 태스크 매니저(600)의 숫자는 더 많아질 수 있다. 이러한 복수의 태스크 매니저(600)는 모두 커맨드 프로세서(7000)에 의해서 제어될 수 있다.The
도 15는 도 8의 태스크 매니저의 구조를 세부적으로 설명하기 위한 블록도이다.FIG. 15 is a block diagram to explain in detail the structure of the task manager of FIG. 8.
도 8, 도 9 및 도 15를 참조하면, 태스크 매니저(600)는 테이블 패시지(610), 태스크 패시지(620) 및 던 패시지(630)를 포함할 수 있다. Referring to FIGS. 8, 9, and 15, the
테이블 패시지(610)는 피지컬 어드레스와 로지컬 어드레스의 매칭 테이블을 업데이트 시키는 테이블 업데이트 리퀘스트(TURQ)를 컨트롤 채널(6200)로부터 수신하여 코어 글로벌(500)로 전달할 수 있다. 이때, 테이블 업데이트 리퀘스트는 커맨드 프로세서(7000)로부터 컨트롤 채널(6200)을 통해서 전달될 수 있다.The
태스크 패시지(620)는 컨트롤 채널(6200)로부터 태스크를 수신하고, 이에 따른 태스크 정보를 생성하여 코어 글로벌(500)로 전송할 있다. 이때, 태스크는 커맨드 프로세서(7000)로부터 컨트롤 채널(6200)을 통해서 전달될 수 있다. 코어 글로벌(500)은 태스크 정보를 뉴럴 코어(100)로 전달할 수 있다. 뉴럴 코어(100)는 전달된 태스크 정보에 따른 태스크를 수행할 수 있으며, 완료 신호를 코어 글로벌(500)로 전달할 수 있다. The
코어 글로벌(500)은 완료 신호를 던 패시지(630)로 전달할 수 있다. 던 패시지(630)는 완료 신호를 수신하여 태스크의 완료 리포트(DNrp)를 생성할 수 있다. 던 패시지(630)는 완료 리포트(DNrp)를 컨트롤 채널(6200)을 통해서 커맨드 프로세서(7000)로 전송할 수 있다.
또한, 테이블 패시지(610)의 테이블 업데이트 리퀘스트(TURQ)는 코어 글로벌(500)을 통해서 뉴럴 코어(100)로 전달될 수 있다. 이때, 뉴럴 코어(100)의 LSU(110) 내부의 변환 색인 버퍼(114)의 테이블이 업데이트될 수 있다.Additionally, the table update request (TURQ) of the
도 16은 도 15의 테이블 패시지를 세부적으로 설명하기 위한 블록도이다.FIG. 16 is a block diagram for explaining the table passage of FIG. 15 in detail.
도 16을 참조하면, 테이블 패시지(610)는 테이블 버퍼(611) 및 제1 내지 제m 업데이트 리퀘스트 큐(611a1~611am)를 포함할 수 있다.Referring to FIG. 16, the
테이블 버퍼(611)는 피지컬 어드레스와 로지컬 어드레스가 매칭된 테이블 업데이트 리퀘스트(TURQ)가 커맨드 프로세서(7000)로부터 전송되어 저장될 수 있다. 코어 글로벌(500)이 이러한 테이블 업데이트 리퀘스트(TURQ)를 페칭하면 각각의 테이블 업데이트 리퀘스트(TURQ)가 제1 내지 제m 업데이트 리퀘스트 큐(611a1~611am)에 저장될 수 있다.The
각각의 제1 내지 제m 업데이트 리퀘스트 큐(611a1~611am)는 서로 다른 타입의 테이블 업데이트 리퀘스트(TURQ)가 저장될 수 있다. 예를 들어, 서로 다른 타입의 테이블 업데이트 리퀘스트(TURQ)는 뉴럴 코어 TLB 업데이트 리퀘스트, 마이크로 DMA TLB 업데이트 리퀘스트, LP 마이크로 DMA TLB 업데이트 리퀘스트 및 ST 마이크로 DMA TLB 업데이트 리퀘스트 중 적어도 하나를 포함할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다. 몇몇 실시예에서, 각각의 제1 내지 제m 업데이트 리퀘스트 큐(611a1~611am)는 서로 같은 타입의 테이블 업데이트 리퀘스트(TURQ)를 포함할 수 있다.Each of the first to mth update request queues 611a1 to 611am may store different types of table update requests (TURQ). For example, different types of table update requests (TURQ) may include at least one of a neural core TLB update request, a micro DMA TLB update request, an LP micro DMA TLB update request, and an ST micro DMA TLB update request. However, this embodiment is not limited to this. In some embodiments, each of the first to mth update request queues 611a1 to 611am may include the same type of table update request (TURQ).
또한, 제1 내지 제m 업데이트 리퀘스트 큐(611a1~611am)는 각각 제너럴 큐 즉, 여러가지 타입의 리퀘스트를 모두 수용하는 큐일 수 있다. 이에 따라서, 제1 내지 제m 업데이트 리퀘스트 큐(611a1~611am) 각각이 타입과 무관하게 리퀘스트를 수용할 수 있다.Additionally, the first to mth update request queues 611a1 to 611am may each be general queues, that is, queues that accommodate various types of requests. Accordingly, each of the first to mth update request queues 611a1 to 611am can accept requests regardless of type.
각각의 제1 내지 제m 업데이트 리퀘스트 큐(611a1~611am)는 테이블 업데이트 리퀘스트(TURQ)를 코어 글로벌(500)로 전송할 수 있다.Each of the first to mth update request queues 611a1 to 611am may transmit a table update request (TURQ) to the core global 500.
도 17은 도 15의 태스크 패시지를 세부적으로 설명하기 위한 블록도이다.FIG. 17 is a block diagram for explaining the task passage of FIG. 15 in detail.
도 17을 참조하면, 태스크 패시지(620)는 태스크 버퍼(621), 제1 큐(Q1), 디펜던시 체커(DPc), 제2 큐(Q2) 및 런타임 핸들(RH)을 포함할 수 있다.Referring to FIG. 17, the
태스크 버퍼(621)는 커맨드 프로세서(7000)로부터 전송된 제어 신호에 따른 태스크(Task)를 저장할 수 있다. 태스크 버퍼(621)는 코어 글로벌(500)의 태스크 페칭 동작에 의해서 태스크(Task)를 태스크 디스크립터 형태로 제1 큐(Q1)에 저장할 수 있다. 즉, 태스크 패시지(620)는 태스크(Task)에 대응하는 태스크 디스크립터를 생성하여 제1 큐(Q1)에 저장할 수 있다. The
태스크 버퍼(621)는 태스크 디스크립터를 제1 큐(Q1)로 전송하고, 트랜스퍼 던 리포트(TRrp)를 생성할 수 있다. 태스크 버퍼(621)는 트랜스퍼 던 리포트(TRrp)를 던 패시지(630)로 전송할 수 있다. 트랜스퍼 던 리포트(TRrp)는 제1 큐(Q1)로 전송한 태스크에 대한 리포트일 수 있다.The
제1 큐(Q1)는 태스크 디스크립터의 타입에 따라서 태스크 디스크립터를 나누어 저장할 수 있다. 도 17에서는 n개의 제1 큐(Q1)가 도시되어 있다. 이때, n는 자연수일 수 있다. 즉, 제1 큐(Q1)는 적어도 하나일 수 있다. The first queue Q1 may store task descriptors divided according to the type of task descriptor. In Figure 17, n first queues Q1 are shown. At this time, n may be a natural number. That is, there may be at least one first queue Q1.
이때, 제1 큐(Q1)는 제1_1 내지 제1_n 큐(Q1_1~Q1_n)를 포함할 수 있다. 제1_1 큐(Q1_1)는 제1 태스크 디스크립터(Tsk_d1)를 저장하고, 제1_2 큐(Q1_2)는 제2 태스크 디스크립터(Tsk_d2)를 저장할 수 있다. 제1_n 큐(Q1_n)는 제n 태스크 디스크립터(Tsk_dn)를 저장할 수 있다.At this time, the first queue (Q1) may include the 1_1th to 1_nth queues (Q1_1 to Q1_n). The 1_1 queue (Q1_1) may store the first task descriptor (Tsk_d1), and the 1_2 queue (Q1_2) may store the second task descriptor (Tsk_d2). The 1_nth queue (Q1_n) may store the nth task descriptor (Tsk_dn).
제1 내지 제n 태스크 디스크립터(Tsk_d1~Tsk_dn)는 서로 다른 타입일 수도 있고, 서로 동일한 타입일 수도 있다. 또는 제1 내지 제n 태스크 디스크립터(Tsk_d1~Tsk_dn) 중 일부는 서로 동일한 타입이고, 일부는 서로 다른 타입일 수도 있다.The first to nth task descriptors (Tsk_d1 to Tsk_dn) may be of different types or may be of the same type. Alternatively, some of the first to nth task descriptors (Tsk_d1 to Tsk_dn) may be of the same type, and some may be of different types.
디펜던시 체커(DPc)는 디펜던시 업데이트 요청(DFURQ)을 수신할 수 있다. 디펜던시 업데이트 요청(DFURQ)은 특정 태스크 사이의 정의된 디펜던시에 따라 완료된 태스크가 발생함에 따라 디펜던시의 변동을 알려줄 수 있다. 즉, 각각의 태스크 디스크립터는 어떤 태스크에 대한 디펜던시가 있는지에 대한 디펜던시 필드를 포함할 수 있다. 이때, 디펜던시 필드에 포함된 태스크가 완료되면 그 디펜던시 필드에서 제거되는 형식으로 업데이트가 되어야 한다. 따라서, 디펜던시 업데이트 요청(DFURQ)은 태스크 디스크립터의 디펜던시 필드에 대한 업데이트 리퀘스트를 포함할 수 있다.The dependency checker (DPc) can receive a dependency update request (DFURQ). A dependency update request (DFURQ) can notify changes in dependencies as completed tasks occur according to defined dependencies between specific tasks. That is, each task descriptor may include a dependency field indicating which task it has a dependency on. At this time, when the task included in the dependency field is completed, it must be updated in such a way that it is removed from the dependency field. Accordingly, the dependency update request (DFURQ) may include an update request for the dependency field of the task descriptor.
디펜던시 체커(DPc)는 디펜던시 체크가 완료된 디스크립터를 순차적으로 제1 내지 제n 태스크 디스크립터(Tsk_d1~Tsk_dn)를 제2 큐(Q2)로 전송할 수 있다. The dependency checker (DPc) may sequentially transmit the first to nth task descriptors (Tsk_d1 to Tsk_dn), descriptors for which the dependency check has been completed, to the second queue (Q2).
이때, 제2 큐(Q2)는 제2_1 내지 제2_n 큐(Q2_1~Q2_n)를 포함할 수 있다. 제2_1 큐(Q2_1)는 제1 태스크 디스크립터(Tsk_d1)를 저장하고, 제2_2 큐(Q2_2)는 제2 태스크 디스크립터(Tsk_d2)를 저장할 수 있다. 제2_n 큐(Q2_n)는 제n 태스크 디스크립터(Tsk_dn)를 저장할 수 있다. 제2 큐(Q2)의 개수는 제1 큐(Q1)의 개수와 동일할 수 있다.At this time, the second queue Q2 may include the 2_1st to 2_nth queues (Q2_1 to Q2_n). The 2_1 queue (Q2_1) may store the first task descriptor (Tsk_d1), and the 2_2 queue (Q2_2) may store the second task descriptor (Tsk_d2). The 2_nth queue (Q2_n) can store the nth task descriptor (Tsk_dn). The number of second queues Q2 may be the same as the number of first queues Q1.
런타임 핸들(RH)은 제1 내지 제n 태스크 디스크립터(Tsk_d1~Tsk_dn) 각각 중 필요한 정보를 추출하여 제1 내지 제n 태스크 정보(Tsk_d1'~Tsk_dn')를 생성할 수 있다. 런타임 핸들(RH)은 제1 내지 제n 태스크 정보(Tsk_d1'~Tsk_dn')를 코어 글로벌(500)로 전달할 수 있다. 이때, 제1 내지 제n 태스크 정보(Tsk_d1'~Tsk_dn')는 각각 제1 내지 제n 태스크 디스크립터(Tsk_d1~Tsk_dn)에 대응할 수 있다. 이때, 제1 내지 제n 태스크 정보(Tsk_d1'~Tsk_dn') 각각은 제1 내지 제n 태스크 디스크립터(Tsk_d1~Tsk_dn)와 동일할 수도 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.The runtime handle (RH) can generate first to nth task information (Tsk_d1' to Tsk_dn') by extracting necessary information from each of the first to nth task descriptors (Tsk_d1 to Tsk_dn). The runtime handle (RH) may transmit first to nth task information (Tsk_d1' to Tsk_dn') to the core global 500. At this time, the first to nth task information (Tsk_d1' to Tsk_dn') may correspond to the first to nth task descriptors (Tsk_d1 to Tsk_dn), respectively. At this time, each of the first to nth task information (Tsk_d1' to Tsk_dn') may be the same as the first to nth task descriptors (Tsk_d1 to Tsk_dn). However, this embodiment is not limited to this.
런타임 핸들(RH)은 체크인 데이터(ChI)를 던 패시지(630)로 전송할 수 있다. 체크인 데이터(ChI)는 제1 내지 제n 태스크 디스크립터(Tsk_d1~Tsk_dn)를 포함할 수 있다. 체크인 데이터(ChI)는 제1 내지 제n 태스크 디스크립터(Tsk_d1~Tsk_dn)에 대응하는 제1 내지 제n 태스크 정보(Tsk_d1'~Tsk_dn')가 처리를 위해 태스크 패시지(620)를 떠나 코어 글로벌(500)로 전달되었음을 던 패시지(630)로 알려주는 데이터일 수 있다. 던 패시지(630)는 체크인 데이터(ChI)에 따른 태스크 디스크립터의 수행 여부를 모니터링하게 된다. The runtime handle (RH) can transmit check-in data (ChI) to the
실시예에서, 제1 내지 제n 태스크 디스크립터(Tsk_d1~Tsk_dn)는 대기 필드를 포함하도록 구성될 수 있다. 대기 필드는 소프트웨어에 의해서 미리 지정된 항목일 수 있다. 대기 필드가 설정된 태스크 디스크립터는 미리 주어진 지시에 따라서 바로 전달되는 대신 특정 조건의 만족 여부에 따라서 제2 큐(Q2)에 일단 대기(Wait)하였다가 순차적으로 전달될 수 있다. 런타임 핸들(RH)은 제1 내지 제n 태스크 디스크립터(Tsk_d1~Tsk_dn)의 대기 필드의 포함 여부 및 대기 필드를 해제하는 진행(Run) 조건의 충족 여부를 확인할 수 있다. In an embodiment, the first to nth task descriptors (Tsk_d1 to Tsk_dn) may be configured to include a standby field. The waiting field may be an item pre-specified by software. Instead of being immediately delivered according to a pre-given instruction, the task descriptor with the wait field set may wait in the second queue Q2 depending on whether a specific condition is satisfied and then be delivered sequentially. The runtime handle (RH) can check whether the first to nth task descriptors (Tsk_d1 to Tsk_dn) include a wait field and whether the run condition for releasing the wait field is met.
런타임 핸들(RH)에 의해, 대기 필드가 포함되지 않은 태스크 디스크립터는 대기 동작없이 대응되는 태스크 정보가 생성되어 코어 글로벌(500)에 전달되고, 해당 태스크 디스크립터에 대한 체크인 데이터(ChI)가 던 패시지(630)에 전달될 수 있다. 또한, 런타임 핸들(RH)에 의해, 대기 필드가 포함된 태스크 디스크립터는 진행 조건의 충족 여부가 확인되고, 진행 조건이 충족되는 경우 대응되는 태스크 정보가 생성되어 코어 글로벌(500)에 전달되고, 해당 태스크 디스크립터에 대한 체크인 데이터(ChI)가 던 패시지(630)에 전달될 수 있다. 즉, 대기 필드가 설정된 태스크 디스크립터는 대기 상태를 가지게 된다. 대기 필드는 태스크의 실행 타이밍을 제어하는 수단일 수 있으며, 런타임 핸들(RH)을 통해 태스크의 작업 흐름, 실행 타이밍이 제어될 수 있다.By the runtime handle (RH), for a task descriptor that does not include a wait field, the corresponding task information is created without a wait operation and delivered to the core global 500, and the check-in data (ChI) for the corresponding task descriptor is sent to the Dawn passage ( 630). In addition, by the runtime handle (RH), the task descriptor including the waiting field is checked whether the progress condition is satisfied, and if the progress condition is satisfied, the corresponding task information is generated and delivered to the core global 500, and Check-in data (ChI) for the task descriptor may be transmitted to the
또한, 런타임 핸들(RH)은 개별적인 태스크 디스크립터의 대기(Wait)-진행(Run) 제어뿐만 아니라, 적어도 하나의 제2 큐의 동작을 일시적으로 정지(Pause)하고 재시작(Resume)하는 정지(Pause)-재시작(Resume) 제어도 수행할 수 있다. In addition, the runtime handle (RH) not only controls the wait-run control of individual task descriptors, but also provides a pause function to temporarily pause and resume the operation of at least one second queue. -Resume control can also be performed.
실시예에서, 런타임 핸들(RH)은 뉴럴 코어(100)의 동작에 이상, 과부하가 예상되는 경우, 일시적으로 적어도 하나의 제2 큐의 동작을 정지할 수 있다. 런타임 핸들(RH)은 태스크 디스크립터에 대응되는 태스크 정보가 코어 글로벌(500)에 전달되어 처리되는 것을 정지할 수 있으며, 과부하가 해소된 경우 정지 상태를 해제하여 대기중인 태스크 디스크립터의 처리를 재시작할 수 있다. In an embodiment, the runtime handle (RH) may temporarily stop the operation of at least one second queue when an abnormality or overload is expected in the operation of the
도 18은 도 15의 던 패시지를 세부적으로 설명하기 위한 블록도이다.FIG. 18 is a block diagram for explaining the Dawn passage of FIG. 15 in detail.
도 18을 참조하면, 던 패시지(630)는 체크인 버퍼(Cib), 디펜던시 세터(DPs), 타임아웃 모니터(ToM), 이벤트 모니터(EM) 및 리포트 매니징 모듈(631)을 포함할 수 있다.Referring to FIG. 18, the
체크인 버퍼(Cib)는 체크인 데이터(ChI)를 수신할 수 있다. 체크인 버퍼(Cib)는 제1 내지 제n 체크인 버퍼(Cib_1~Cib_n)를 포함할 수 있다. 체크인 버퍼(Cib)는 체크인 데이터(ChI)에 저장된 제1 내지 제n 태스크 디스크립터(Tsk_d1~Tsk_dn)를 저장할 수 있다. 제1 내지 제n 체크인 버퍼(Cib_1~Cib_n)는 각각 제1 내지 제n 태스크 디스크립터(Tsk_d1~Tsk_dn)를 저장할 수 있다. 체크인 버퍼(Cib)는 이를 통해서 제1 내지 제n 태스크 디스크립터(Tsk_d1~Tsk_dn)의 체크인을 수행할 수 있다. The check-in buffer (Cib) can receive check-in data (ChI). The check-in buffer (Cib) may include first to n-th check-in buffers (Cib_1 to Cib_n). The check-in buffer (Cib) may store the first to n-th task descriptors (Tsk_d1 to Tsk_dn) stored in the check-in data (ChI). The first to nth check-in buffers (Cib_1 to Cib_n) may store the first to nth task descriptors (Tsk_d1 to Tsk_dn), respectively. The check-in buffer (Cib) can perform check-in of the first to n-th task descriptors (Tsk_d1 to Tsk_dn) through this.
즉, 제1 체크인 버퍼(Cib_1)는 제1 태스크 디스크립터(Tsk_d1)를 저장하고, 제2 체크인 버퍼(Cib_2)는 제2 태스크 디스크립터(Tsk_d2)를 저장할 수 있다. 제n 체크인 버퍼(Cib_n)는 제n 태스크 디스크립터(Tsk_dn)를 저장할 수 있다. 체크인 버퍼(Cib)의 개수는 제1 큐(Q1)의 개수 및 제2 큐(Q2)의 개수와 동일할 수 있다.That is, the first check-in buffer (Cib_1) can store the first task descriptor (Tsk_d1), and the second check-in buffer (Cib_2) can store the second task descriptor (Tsk_d2). The nth check-in buffer (Cib_n) may store the nth task descriptor (Tsk_dn). The number of check-in buffers (Cib) may be equal to the number of first queues (Q1) and the number of second queues (Q2).
체크인 버퍼(Cib)는 코어 글로벌(500)로부터 완료 신호를 수신할 수 있다. 이때, 완료 신호는 제1 내지 제n 완료 신호(Tsk_d1d~Tsk_dnd)를 포함할 수 있다. 제1 내지 제n 완료 신호(Tsk_d1d~Tsk_dnd)는 각각 제1 내지 제n 태스크 디스크립터(Tsk_d1~Tsk_dn) 각각에 대한 완료 신호일 수 있다. 제1 내지 제n 완료 신호(Tsk_d1d~Tsk_dnd)는 각각 제1 내지 제n 체크인 버퍼(Cib_1~Cib_n)로 수신될 수 있다. 즉, 제1 체크인 버퍼(Cib_1)는 제1 완료 신호(Tsk_d1d)를 수신하고, 제2 체크인 버퍼(Cib_2)는 제2 완료 신호(Tsk_d2d)를 수신할 수 있다. 제n 체크인 버퍼(Cib_n)는 제n 완료 신호(Tsk_dnd)를 수신할 수 있다.The check-in buffer (Cib) may receive a completion signal from the core global 500. At this time, the completion signal may include the first to nth completion signals (Tsk_d1d to Tsk_dnd). The first to nth completion signals (Tsk_d1d to Tsk_dnd) may be completion signals for the first to nth task descriptors (Tsk_d1 to Tsk_dn), respectively. The first to nth completion signals (Tsk_d1d to Tsk_dnd) may be received into the first to nth check-in buffers (Cib_1 to Cib_n), respectively. That is, the first check-in buffer (Cib_1) may receive the first completion signal (Tsk_d1d), and the second check-in buffer (Cib_2) may receive the second completion signal (Tsk_d2d). The nth check-in buffer (Cib_n) may receive the nth completion signal (Tsk_dnd).
디펜던시 세터(DPs)는 체크인 버퍼(Cib)로부터 완료 신호를 수신하여 디펜던시 업데이트 요청(DFURQ)를 생성할 수 있다. 즉, 어떤 태스크 디스크립터에 대응하는 태스크가 완료되었는지에 따라 디펜던시 세터(DPs)가 디펜던시 업데이트 요청(DFURQ)를 생성할 수 있다. 디펜던시 세터(DPs)는 디펜던시 업데이트 요청(DFURQ)를 태스크 패시지(620)로 전송할 수 있다.Dependency setters (DPs) may receive a completion signal from the check-in buffer (Cib) and generate a dependency update request (DFURQ). That is, dependency setters (DPs) can generate a dependency update request (DFURQ) depending on which task corresponding to the task descriptor has been completed. Dependency setters (DPs) may transmit a dependency update request (DFURQ) to the
디펜던시 세터(DPs)는 완료 신호에 따라, 각각의 제1 내지 제n 태스크 디스크립터(Tsk_d1~Tsk_dn)를 체크아웃할 수 있다. 이에 따라서, 디펜던시 세터(DPs)는 어떤 태스크가 완료되어 체크아웃 되었는지에 대한 체크아웃 리포트(COrp)를 생성할 수 있다. 디펜던시 세터(DPs)는 체크아웃 리포트(COrp)를 리포팅 매니징 모듈(631)로 전송할 수 있다.Dependency setters (DPs) may check out each of the first to nth task descriptors (Tsk_d1 to Tsk_dn) according to the completion signal. Accordingly, dependency setters (DPs) can generate a checkout report (COrp) about which tasks have been completed and checked out. Dependency setters (DPs) can transmit a checkout report (COrp) to the
즉, 체크인은 태스크 디스크립터가 처리되기 전에 등록되는 절차이고, 체크아웃은 태스크 디스크립터가 다 처리되어 등록이 해제되는 절차라고 정의할 수 있다.In other words, check-in is a procedure in which a task descriptor is registered before it is processed, and check-out can be defined as a procedure in which registration is deregistered after the task descriptor has been processed.
디펜던시 세터(DPs)가 디펜던시 업데이트 요청(DFURQ)을 태스크 패시지(620)에 전송함에 따라 태스크 패시지(620)의 디펜던시 체커(DPc)는 태스크 디스크립터의 디펜던시에 따라 태스크 디스크립터를 순차적으로 전송할 수 있다.As the dependency setters (DPs) transmit a dependency update request (DFURQ) to the
본 실시예는 디펜던시에 따른 처리를 커맨드 프로세서(7000)가 전담하여 진행하지 않고, 태스크 매니저(600)가 디펜던시 체킹 및 세팅을 직접 수행할 수 있도록 하여 커맨드 프로세서(7000)와의 소통에 드는 오버헤드를 최소화시킬 수 있다. 이에 따라, 본 실시예에 따른 뉴럴 프로세싱 장치(1)의 성능 및 속도가 비약적으로 향상될 수 있다.In this embodiment, the
타임아웃 모니터(ToM)는 체크인 버퍼(Cib)로부터 타임아웃 디텍션 신호(TOdec)를 수신할 수 있다. 타임아웃 디텍션 신호(TOdec)는 체크인 시점부터 체크아웃 시점까지의 시간이 미리 설정된 임계 시간보다 넘어섰는지에 대한 신호일 수 있다. 여기서, 체크아웃 시점은 해당 태스크의 수행 완료 시점을 의미할 수 있다. 체크인 버퍼(Cib)는 체크인된 태스크 디스크립터에 대응되는 태스크의 수행 시간을 모니터링할 수 있다. 체크인 버퍼(Cib)는 태스크의 수행 시간과 임계 시간을 비교하여 타임아웃 디텍션 신호(TOdec)의 생성 여부를 결정할 수 있다. 체크인 버퍼(Cib)은 체크인 시점부터 계산된 수행 시간이 임계 시간을 초과하는 경우 타임아웃 디텍션 신호(TOdec)를 생성할 수 있다. 즉, 임계 시간까지 태스크의 수행이 완료되지 않은 경우, 타임아웃 디텍션 신호(TOdec)를 생성하게 된다. 제1 내지 제n 체크인 버퍼(Cib_1 ~ Cib_n)은 각각 체크인된 태스크 디스크립터에 대한 수행 여부를 확인하고, 수행 시간이 임계 시간을 초과하는 경우, 타임아웃 디텍션 신호(TOdec)를 생성하게 된다.The timeout monitor (ToM) can receive a timeout detection signal (TOdec) from the check-in buffer (Cib). The timeout detection signal (TOdec) may be a signal indicating whether the time from check-in to check-out exceeds a preset threshold time. Here, the checkout time may mean the time when the task is completed. The check-in buffer (Cib) can monitor the execution time of the task corresponding to the checked-in task descriptor. The check-in buffer (Cib) can determine whether to generate a timeout detection signal (TOdec) by comparing the task execution time and the threshold time. The check-in buffer (Cib) may generate a timeout detection signal (TOdec) when the execution time calculated from the check-in time exceeds the threshold time. That is, if the task is not completed by the critical time, a timeout detection signal (TOdec) is generated. The first to nth check-in buffers (Cib_1 to Cib_n) check whether the checked-in task descriptor is performed, and if the execution time exceeds the threshold time, a timeout detection signal (TOdec) is generated.
실시예에서, 임계 시간은 태스크에 따라 개별적으로 설정될 수 있다. 몇몇 실시예에서, 임계 시간은 태스크의 종류에 따라 상이하게 설정될 수 있다. 메모리 오퍼레이션에 해당하는 태스크는 컴퓨테이션에 해당하는 태스크보다 더 짧은 임계 시간을 가지도록 설정될 수 있다. 다만, 본 발명의 실시예가 이에 한정되는 것은 아니다.In embodiments, the threshold time may be set individually depending on the task. In some embodiments, the threshold time may be set differently depending on the type of task. A task corresponding to a memory operation may be set to have a shorter threshold time than a task corresponding to a computation. However, the embodiments of the present invention are not limited thereto.
또한, 실시예에서, 태스크에 따라 타임아웃 리포트 생성 여부가 개별적으로 설정될 수 있다. 즉, 커맨드 프로세서(7000)는 태스크 매니저(600)에 전달하는 태스크 중 적어도 일부에 대해 타임아웃 리포트를 제공받지 않도록 설정할 수 있다. 모든 태스크에 대해 타임아웃 모니터링이 수행되지 않도록 설정될 수 있으므로, 태스크 매니저(600)의 타임아웃 모니터링에 대한 부담이 경감될 수 있다. 예시적으로, 컴퓨테이션에 해당하는 태스크는 타임아웃 리포트가 생성되나, 메모리 오퍼레이션에 해당하는 태스크는 타임아웃 리포트가 생성되지 않도록 설정될 수 있다. 다만, 본 발명의 실시예가 이에 한정되는 것은 아니다.Additionally, in an embodiment, whether or not to generate a timeout report may be individually set depending on the task. That is, the
타임아웃 모니터(ToM)는 타임아웃 디텍션 신호(TOdec)에 따라 타임아웃 리포트(TOrp)를 생성할 수 있다. 타임아웃 모니터(ToM)는 생성된 타임아웃 리포트(TOrp)를 리포팅 매니징 모듈(631)로 전송할 수 있다.The timeout monitor (ToM) can generate a timeout report (TOrp) according to the timeout detection signal (TOdec). The timeout monitor (ToM) can transmit the generated timeout report (TOrp) to the
실시예에서, 이벤트 모니터(EM)는 뉴럴 프로세서(1000) 내부의 이벤트를 감지하여 이벤트 리포트(Erp)를 생성할 수 있다. 하드웨어 또는 소프트웨어의 에러, 로그 관련 이벤트 및 디스크립터 없이 수행되는 태스크 중 적어도 하나에 따른 이벤트가 발생할 수 있다. 본 발명의 실시예가 이에 한정되는 것은 아니다. 이벤트 모니터(EM)는 이러한 이벤트 발생 여부를 감지할 수 있으며, 이벤트 감지 신호에 따라 이벤트 리포트(Erp)를 생성할 수 있다. 생성된 이벤트 리포트(Erp)는 리포팅 매니징 모듈(631)에 제공될 수 있다. In an embodiment, the event monitor (EM) may detect an event within the
리포팅 매니징 모듈(631)은 트랜스퍼 던 리포트(TRrp), 이벤트 리포트(Erp), 체크아웃 리포트(COrp) 및 타임아웃 리포트(TOrp) 중 적어도 하나를 수신하여 완료 리포트(DNrp)를 생성할 수 있다.The
실시예에서, 체크아웃 리포트(COrp)는 뉴럴 코어(100)에 전달된 작업이 정상적으로 처리되어 체크아웃 되었음을 커맨드 프로세서(7000)가 확인할 수 있게 하는 리포트에 해당한다. In the embodiment, the checkout report (COrp) corresponds to a report that allows the
트랜스퍼 던 리포트(TRrp)는 태스크가 태스크 패시지(620)로 정상적으로 제공되어 태스크 디스크립터가 생성되었음을 커맨드 프로세서(7000)가 확인할 수 있게 하는 리포트에 해당한다. The transfer report (TRrp) corresponds to a report that allows the
이벤트 리포트(Erp)는 하드웨어 또는 소프트웨어의 에러, 로그 관련 이벤트 및 디스크립터 없이 수행되는 태스크 중 적어도 하나에 따른 이벤트가 발생되었음을 커맨드 프로세서(7000)가 확인할 수 있게 하는 리포트에 해당한다. The event report (Erp) corresponds to a report that allows the
타임아웃 리포트(TOrp)는 특정 태스크에 대한 처리가 설정된 임계 시간보다 지연되고 있음을 커맨드 프로세서(7000)가 확인할 수 있게 하는 리포트에 해당한다. The timeout report (TOrp) corresponds to a report that allows the
실시예에서, 체크아웃 리포트(COrp), 트랜스퍼 던 리포트(TRrp), 이벤트 리포트(Erp) 및 타임아웃 리포트(TOrp)는 각각 독립적으로 생성될 수 있다. 예를 들어, 특정 태스크 디스크립터와 관련된 태스크의 수행이 지연되어 타임아웃 리포트(TOrp)가 발생되더라도, 체크아웃 리포트(COrp)는 해당 태스크의 수행이 완료되는 경우에 타임아웃 리포트(TOrp)의 생성과 독립적으로 발생될 수 있다.In an embodiment, a checkout report (COrp), a transfer report (TRrp), an event report (Erp), and a timeout report (TOrp) may each be generated independently. For example, even if a timeout report (TOrp) is generated due to a delay in the performance of a task related to a specific task descriptor, the checkout report (COrp) generates a timeout report (TOrp) when the execution of the task is completed. Can occur independently.
여기서, 완료 리포트(DNrp)는 체크아웃 리포트(COrp)에 기초하여 생성될 수 있다. 완료 리포트(DNrp)는 적어도 체크아웃 리포트를 포함하므로, 태스크의 정상적인 수행 여부를 커맨드 프로세서(7000)에 전달할 수 있다. 이러한 완료 리포트(DNrp)의 생성 및 전달을 통해, 태스크의 정상 수행 여부가 확인되며, 디펜던시에 따라 특정 태스크의 수행 지연이 장기화되는 것을 차단할 수 있다.Here, the completion report (DNrp) may be generated based on the checkout report (COrp). Since the completion report (DNrp) includes at least a checkout report, whether the task is normally performed can be communicated to the
또한, 완료 리포트(DNrp)는 트랜스퍼 던 리포트(TRrp), 이벤트 리포트(Erp) 및 타임아웃 리포트(TOrp) 중 적어도 하나를 더 포함하도록 구성될 수 있으며, 태스크의 수행여부와 함께 타임아웃 여부, 트랜스퍼 완료 여부, 이벤트 발생 여부 등을 종합적으로 커맨드 프로세서(7000)로 보고할 수 있다. In addition, the completion report (DNrp) may be configured to further include at least one of a transfer report (TRrp), an event report (Erp), and a timeout report (TOrp), and whether the task is performed, whether it times out, and whether the transfer Completion, whether an event has occurred, etc. can be comprehensively reported to the
실시예에서, 이러한 완료 리포트(DNrp)의 생성 여부는 태스크에 따라 개별적으로 설정될 수 있다. 즉, 커맨드 프로세서(7000)는 특정 태스크는 이와 관련된 완료 리포트(DNrp)를 전달받지 않도록 미리 설정할 수 있다. 이에 따라, 모든 태스크에 대해 완료 리포트를 생성하지 않을 수 있으므로, 태스크 매니저(600)의 데이터 처리 부담이 경감될 수 있으며, 커맨드 프로세서(7000) 또한 모든 완료 리포트를 보고받지 않을 수 있으므로, 커맨드 프로세서(7000)의 관리 효율성이 높아질 수 있게 된다. In an embodiment, whether or not to generate this completion report (DNrp) may be individually set depending on the task. That is, the
다만, 타임 아웃 리포트(TOrp)와 같이, 커맨드 프로세서(7000)에게 태스크 수행과 관련된 중요한 경고, 수정이 필요한 부분에 대한 요청이 필요한 경우, 완료 리포트(DNrp)를 통해 해당 정보의 전달이 필요할 수 있다. 본 발명의 실시예에서, 타임아웃 모니터(ToM)은 완료 리포트가 생성되지 않도록 설정된 태스크 디스크립터에 대해 수정이 필요한 경우, 수정 요청 신호(Mos)를 해당 태스크 디스크립터가 저장된 체크인 버퍼로 전송할 수 있으며, 해당 태스크 디스크립터가 완료 리포트가 생성되도록 수정하게 된다.However, such as a time-out report (TOrp), if an important warning related to task performance or a request for a part that needs to be modified is required to the
도 19는 완료 리포트 생성 여부가 상이하게 설정된 제1 태스크 디스크립터와 제2 태스크 디스크립터를 설명하기 위한 예시도이다. Figure 19 is an example diagram for explaining a first task descriptor and a second task descriptor in which whether or not to generate a completion report is set differently.
도 19를 참조하면, 실시예에서, 태스크는 완료 리포트가 생성되도록 설정된 제1 태스크 및 완료 리포트가 생성되지 않도록 설정된 제2 태스크를 포함할 수 있다. 제1 태스크에 대응하여 생성된 제1 태스크 디스크립터(Tsk_d1)는 제1 태스크 정보(Tsk_d1')를 코어 글로벌(500)에 전달하고, 제1 체크인 버퍼(Cib_1)에 체크인된 상태이다. 제2 태스크에 대응하여 생성된 제2 태스크 디스크립터(Tsk_d2)는 제2 태스크 정보(Tsk_d2')를 코어 글로벌(500)에 전달하고, 제2 체크인 버퍼(Cib_2)에 체크인된 상태이다. 코어 글로벌(500)을 통해 제1 태스크 정보(Tsk_d1')와 제2 태스크 정보(Tsk_d2')는 각각 뉴럴 코어(100)에 제공될 수 있다. 제1 체크인 버퍼(Cib_1)는 제1 태스크 디스크립터(Tsk_d1)에 대응하는 제1 완료 신호(Tsk_d1d)의 전달을 대기하는 상태이며, 제2 체크인 버퍼(Cib_2)는 제2 태스크 디스크립터(Tsk_d2)에 대응하는 제2 완료 신호(Tsk_d2d)의 전달을 대기하는 상태이다. Referring to FIG. 19, in an embodiment, the tasks may include a first task configured to generate a completion report and a second task configured to not generate a completion report. The first task descriptor (Tsk_d1) generated in response to the first task transfers the first task information (Tsk_d1') to the core global 500 and is checked in the first check-in buffer (Cib_1). The second task descriptor (Tsk_d2) generated in response to the second task transmits the second task information (Tsk_d2') to the core global 500 and is checked in the second check-in buffer (Cib_2). First task information (Tsk_d1') and second task information (Tsk_d2') may be provided to the
여기서, 제1 체크인 버퍼(Cib_1)에 제1 완료 신호(Tsk_d1d)가 전달되는 경우, 완료 리포트(DNrp)가 생성되도록 설정된 제1 태스크 디스크립터(Tsk_d1)에 대한 체크아웃 프로세스가 수행되게 된다. 즉, 디펜던시 세터(DPs)는 제1 태스크 디스크립터(Tsk_d1)의 수행 완료에 따른 제1 디펜던시 업데이트 요청(DFURQ1)를 생성하여 태스크 패시지(620)로 이를 전달할 수 있다. 또한, 디펜던시 세터(DPs)는 제1 체크아웃 리포트(COrp1)를 생성하여 생성된 제1 체크아웃 리포트(COrp1)를 리포팅 매니징 모듈(631)로 전송하여 완료 리포트(DNrp)가 생성되도록 한다.Here, when the first completion signal (Tsk_d1d) is transmitted to the first check-in buffer (Cib_1), a checkout process is performed on the first task descriptor (Tsk_d1) set to generate a completion report (DNrp). That is, the dependency setters (DPs) may generate a first dependency update request (DFURQ1) upon completion of execution of the first task descriptor (Tsk_d1) and transmit it to the
제2 체크인 버퍼(Cib_2)에 제2 완료 신호(Tsk_d2d)가 전달되는 경우, 완료 리포트(DNrp)가 생성되지 않도록 설정된 제2 태스크 디스크립터(Tsk_d2)에 대한 체크아웃 프로세스가 수행되게 된다. 디펜던시 세터(DPs)는 제2 태스크 디스크립터(Tsk_d2)의 수행 완료에 따른 제2 디펜던시 업데이트 요청(DFURQ2)를 생성하여 태스크 패시지(620)로 이를 전달할 수 있다. 다만, 디펜던시 세터(DPs)는 제2 체크아웃 리포트(COrp2)를 생성하지 않으며, 완료 리포트(DNrp)가 생성되지 않게 된다.When the second completion signal (Tsk_d2d) is transmitted to the second check-in buffer (Cib_2), a checkout process is performed on the second task descriptor (Tsk_d2), which is set not to generate a completion report (DNrp). Dependency setters (DPs) may generate a second dependency update request (DFURQ2) upon completion of execution of the second task descriptor (Tsk_d2) and transmit it to the
여기서, 제2 태스크에 대한 뉴럴 코어(100)의 처리가 지연되어 타임아웃 리포트(TOrp)가 생성되는 경우, 타임아웃 리포트(TOrp) 생성에 대한 보고를 커맨드 프로세서(7000)에 수행하여야 하며, 이를 위한 완료 리포트(DNrp)의 생성이 필요할 수 있다. 실시예에서, 타임아웃 모니터(ToM)는 제2 태스크가 완료 리포트를 생성하도록 수정할 수 있다.Here, when the processing of the
도 20은 완료 리포트가 생성되지 않도록 설정된 제2 태스크 디스트립터에 대한 수정이 수행되는 과정을 설명하기 위한 순서도이다. Figure 20 is a flow chart to explain the process of modifying a second task descriptor that is set not to generate a completion report.
도 20을 참조하면, 제2 체크인 버퍼(Cib_2)는 제2 태스크에 대한 수행이 지연되는 것을 판단하고 제2 타임아웃 디텍션 신호(TOdec2)를 생성할 수 있으며, 생성된 제2 타임아웃 디텍션 신호(TOdec2)를 타임아웃 모니터(ToM)에 전달할 수 있다(S11). 여기서, 제2 타임아웃 디텍션 신호(TOdec2)가 생성되었다는 것은 제2 완료 신호(Tsk_d2d)가 아직 수신되지 않은 상태로, 제2 태스크 디스크립터(Tsk_d2)에 대한 수정이 가능할 수 있다. Referring to FIG. 20, the second check-in buffer (Cib_2) may determine that performance of the second task is delayed and generate a second timeout detection signal (TOdec2), and the generated second timeout detection signal (TOdec2) TOdec2) can be transmitted to the timeout monitor (ToM) (S11). Here, the generation of the second timeout detection signal TOdec2 means that the second completion signal Tsk_d2d has not yet been received, and modification of the second task descriptor Tsk_d2 may be possible.
타임아웃 모니터(ToM)는 제2 타임아웃 디텍션 신호(TOdec2)에 따라 제2 타임아웃 리포트(TOrp2)를 생성하며, 생성된 제2 타임아웃 리포트(TOrp2)를 리포팅 매니징 모듈(631)로 전달할 수 있다(S12).The timeout monitor (ToM) generates a second timeout report (TOrp2) according to the second timeout detection signal (TOdec2), and delivers the generated second timeout report (TOrp2) to the
또한, 제2 타임아웃 리포트(TOrp2)가 완료 리포트(DNrp)에 포함되어 커맨드 프로세서(7000)로 전달될 수 있도록, 완료 리포트(DNrp)가 생성되도록 제2 태스크 디스크립터(Tsk_d2)를 수정하는 수정 요청 신호(Mos)를 제2 체크인 버퍼(Cib_2)로 전송할 수 있다(S13). 제2 체크인 버퍼(Cib_2)에 포함된 제2 태스크 디스크립터(Tsk_d2)는 수정 요청에 대응하여 완료 리포트(DNrp)가 생성될 수 있으며, 수정 제2 태스크 디스크립터(STsk_d2)가 생성되게 된다(S14).In addition, a modification request to modify the second task descriptor (Tsk_d2) to generate a completion report (DNrp) so that the second timeout report (TOrp2) can be included in the completion report (DNrp) and transmitted to the
도 21은 도 20에 따라 수정된 제2 태스크 디스크립터의 제2 체크 아웃 리포트에 대응하여 완료 리포트가 생성되는 과정을 설명하기 위한 예시도이다. FIG. 21 is an example diagram for explaining a process of generating a completion report in response to a second check-out report of the second task descriptor modified according to FIG. 20.
도 21을 참조하면, 제2 체크인 버퍼(Cib_2)는 임계 시간 이후에 코어 글로벌(500)를 통해 제2 완료 신호(Tsk_d2d)를 수신하게 되고, 수정 제2 태스크 디스크립터(STsk_d2)에 대한 체크아웃 프로세스가 수행되게 된다. 디펜던시 세터(DPs)는 수정 제2 태스크 디스크립터(STsk_d2)의 수행 완료에 따른 제2 디펜던시 업데이트 요청(DFURQ2)를 생성하여 태스크 패시지(620)로 이를 전달할 수 있다. 또한, 디펜던시 세터(DPs)는 제2 체크아웃 리포트(COrp2)를 생성하게 되며, 생성된 제2 체크아웃 리포트(COrp2)를 리포팅 매니징 모듈(631)로 전송하여 완료 리포트(DNrp)가 생성되도록 한다. 리포팅 매니징 모듈(631)은 전달받은 제2 체크아웃 리포트(COrp2)와 제2 타임아웃 리포트(TOrp2)에 대한 정보를 모두 포함하여 완료 리포트(DNrp)를 구성하게 되며, 구성된 완료 리포트(DNrp)를 커맨드 프로세서(7000)에 전달하게 된다.Referring to FIG. 21, the second check-in buffer (Cib_2) receives the second completion signal (Tsk_d2d) through the core global 500 after a threshold time, and the checkout process for the modified second task descriptor (STsk_d2) is carried out. Dependency setters (DPs) may generate a second dependency update request (DFURQ2) upon completion of execution of the modified second task descriptor (STsk_d2) and transmit it to the
도 22는 도 18의 리포트 매니징 모듈을 세부적으로 설명하기 위한 블록도이다.FIG. 22 is a block diagram for explaining the report management module of FIG. 18 in detail.
도 22를 참조하면, 리포트 매니징 모듈(631)은 트랜스퍼 던 리포트 큐(TQ), 이벤트 리포트 큐(EQ), 체크아웃 리포트 큐(CQ), 타임아웃 리포트 큐(TOQ) 및 리포팅 매니저(RM)를 포함할 수 있다.Referring to FIG. 22, the
트랜스퍼 던 리포트 큐(TQ)는 트랜스퍼 던 리포트(TRrp)를 수신하고, 리포팅 매니저(RM)에게 전달할 수 있다. 트랜스퍼 던 리포트 큐(TQ)에는 트랜스퍼 던 리포트(TRrp)가 순차적으로 수신될 수 있으며, 누적되는 트랜스퍼 던 리포트(TRrp)는 선입선출(FIFO)에 따라 리포팅 매니저(RM)에게 전달될 수 있다. The Transfer Dawn Report Queue (TQ) can receive the Transfer Dawn Report (TRrp) and deliver it to the Reporting Manager (RM). Transfer Dawn Reports (TRrp) can be received sequentially in the Transfer Dawn Report Queue (TQ), and accumulated Transfer Dawn Reports (TRrp) can be delivered to the Reporting Manager (RM) according to first-in-first-out (FIFO).
이벤트 리포트 큐(EQ)는 이벤트 리포트(Erp)를 수신하고, 리포팅 매니저(RM)에게 전달할 수 있다. 이벤트 리포트 큐(EQ)에는 이벤트 리포트(Erp)가 순차적으로 수신될 수 있으며, 누적되는 이벤트 리포트(Erp)는 선입선출(FIFO)에 따라 리포팅 매니저(RM)에게 전달될 수 있다. 체크아웃 리포트 큐(CQ)는 체크아웃 리포트(COrp)를 수신하고, 리포팅 매니저(RM)에게 전달할 수 있다. 체크아웃 리포트 큐(CQ)에는 체크아웃 리포트(COrp)가 순차적으로 수신될 수 있으며, 누적되는 체크아웃 리포트(COrp)는 선입선출(FIFO)에 따라 리포팅 매니저(RM)에게 전달될 수 있다. 또한, 타임아웃 리포트 큐(TOQ)는 타임아웃 리포트(TOrp)를 수신하고, 리포팅 매니저(RM)에게 전달할 수 있다. 타임아웃 리포트 큐(TOQ)에는 타임아웃 리포트(TOrp)가 순차적으로 수신될 수 있으며, 누적되는 타임아웃 리포트(TOrp)는 선입선출(FIFO)에 따라 리포팅 매니저(RM)에게 전달될 수 있다.The event report queue (EQ) can receive the event report (Erp) and deliver it to the reporting manager (RM). Event reports (Erp) can be sequentially received in the event report queue (EQ), and accumulated event reports (Erp) can be delivered to the reporting manager (RM) according to first-in-first-out (FIFO). The checkout report queue (CQ) can receive the checkout report (COrp) and deliver it to the reporting manager (RM). Checkout reports (COrp) can be sequentially received in the checkout report queue (CQ), and the accumulated checkout reports (COrp) can be delivered to the reporting manager (RM) according to first-in-first-out (FIFO). Additionally, the timeout report queue (TOQ) can receive the timeout report (TOrp) and deliver it to the reporting manager (RM). Timeout reports (TOrp) can be sequentially received in the timeout report queue (TOQ), and accumulated timeout reports (TOrp) can be delivered to the reporting manager (RM) according to first-in-first-out (FIFO).
리포팅 매니저(RM)는 트랜스퍼 던 리포트(TRrp), 이벤트 리포트(Erp), 체크아웃 리포트(COrp) 및 타임아웃 리포트(TOrp) 중 적어도 하나를 수신하고, 이를 통해서 완료 리포트(DNrp)를 생성할 수 있다. 리포팅 매니저(RM)는 완료 리포트(DNrp)를 커맨드 프로세서(7000)로 전달할 수 있다.The reporting manager (RM) can receive at least one of the transfer report (TRrp), event report (Erp), checkout report (COrp), and timeout report (TOrp), and generate a completion report (DNrp) through this. there is. The reporting manager (RM) may transmit the completion report (DNrp) to the
또한, 리포팅 매니저(RM)는 이벤트 리포트 큐(EQ), 체크아웃 리포트 큐(CQ) 및 타임아웃 리포트 큐(TOQ) 중 적어도 하나에 대한 상태를 모니터링할 수 있다. 리포팅 매니저(RM)는 이벤트 리포트 큐(EQ)의 이벤트 리포트 수용 상태, 체크아웃 리포트 큐(CQ)의 체크 아웃 리포트 수용 상태 및 타임아웃 리포트 큐(TOQ)의 타임아웃 리포트 수용 상태 중 적어도 하나를 모니터링할 수 있다. 리포팅 매니저(RM)는 이벤트 리포트 큐(EQ), 체크아웃 리포트 큐(CQ) 및 타임아웃 리포트 큐(TOQ) 중 적어도 하나가 포화 상태로 확인되는 경우, 런타임 핸들(RH)을 통해 태스크 패시지(620)의 동작을 정지(Pause)할 수 있다. Additionally, the reporting manager (RM) may monitor the status of at least one of an event report queue (EQ), a checkout report queue (CQ), and a timeout report queue (TOQ). The reporting manager (RM) monitors at least one of the event report acceptance status of the event report queue (EQ), the checkout report acceptance status of the checkout report queue (CQ), and the timeout report acceptance status of the timeout report queue (TOQ). can do. If at least one of the event report queue (EQ), checkout report queue (CQ), and timeout report queue (TOQ) is confirmed to be saturated, the reporting manager (RM) generates a task passage (620) through the runtime handle (RH). ) operation can be paused.
도 23은 도 15의 코어 글로벌과 뉴럴 코어가 교환하는 데이터를 설명하기 위한 도면이다.FIG. 23 is a diagram illustrating data exchanged between the core global and neural core of FIG. 15.
도 23을 참조하면, 코어 글로벌(500)은 테이블 업데이트 리퀘스트(TURQ)를 수신하여 LSU(110)로 전달할 수 있다. 또한, 코어 글로벌(500)은 태스크 정보(Tsk_d')를 수신하여 뉴럴 코어(100)로 전달할 수 있다. Referring to FIG. 23,
뉴럴 코어(100)는 태스크를 수행하고 완료 신호(Tsk_dd)를 생성할 수 있다. LSU(110) 또는 프로세싱 유닛(160)은 완료 신호(Tsk_dd)를 코어 글로벌(500)로 전달할 수 있다. 코어 글로벌(500)은 시그널 스케쥴러(sgn_sch)를 포함할 수 있다. 시그널 스케쥴러(sgn_sch)는 완료 신호를 수신하고, 완료 신호의 전송을 스케쥴링하여 던 패시지(630)로 전송할 수 있다.The
도 24은 제1 큐, 제2 큐 및 체크인 버퍼에 저장되는 태스크 디스크립터의 타입을 설명하기 위한 도면이다.Figure 24 is a diagram for explaining the types of task descriptors stored in the first queue, second queue, and check-in buffer.
도 24를 참조하면, 제1 큐(Q1)의 제1_1 내지 제1_4 큐(Q1_1~Q1_4), 제2 큐(Q2)의 제2_1 내지 제2_4 큐(Q2_1~Q2_4) 및 체크인 버퍼(Cib)의 제1 내지 제4 체크인 버퍼(Cib_1~Cib_4)는 각각 특정한 타입의 태스크 디스크립터를 저장할 수 있다. 제1_1 내지 제1_4 큐(Q1_1~Q1_4), 제2_1 내지 제2_4 큐(Q2_1~Q2_4) 및 제1 내지 제4 체크인 버퍼(Cib_1~Cib_4)는 각기 서로 다른 타입의 태스크 디스크립터를 저장할 수 있다. Referring to FIG. 24, the 1_1st to 1_4th queues (Q1_1 to Q1_4) of the first queue (Q1), the 2_1st to 2_4th queues (Q2_1 to Q2_4) of the second queue (Q2), and the check-in buffer (Cib) The first to fourth check-in buffers (Cib_1 to Cib_4) may each store a specific type of task descriptor. The 1_1st to 1_4th queues (Q1_1 to Q1_4), the 2_1st to 2_4th queues (Q2_1 to Q2_4), and the 1st to 4th check-in buffers (Cib_1 to Cib_4) may each store different types of task descriptors.
예를 들어, 제1_1 큐(Q1_1), 제2_1 큐(Q2_1) 및 제1 체크인 버퍼(Cib_1)는 컴퓨테이션에 대한 태스크 디스크립터를 저장하고, 제1_2 큐(Q1_2), 제2_2 큐(Q2_2) 및 제2 체크인 버퍼(Cib_2)는 마이크로 DMA에 대한 태스크 디스크립터를 저장할 수 있다. 또한, 제1_3 큐(Q1_3), 제2_3 큐(Q2_3) 및 제3 체크인 버퍼(Cib_3)는 LP 마이크로 DMA에 대한 태스크 디스크립터를 저장하고, 제1_4 큐(Q1_4), 제2_4 큐(Q2_4) 및 제4 체크인 버퍼(Cib_4)는 ST 마이크로 DMA에 대한 태스크 디스크립터를 저장할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.For example, the 1_1 queue (Q1_1), the 2_1 queue (Q2_1), and the first check-in buffer (Cib_1) store the task descriptor for computation, and the 1_2 queue (Q1_2), the 2_2 queue (Q2_2), and The second check-in buffer (Cib_2) may store a task descriptor for micro DMA. In addition, the 1_3 queue (Q1_3), the 2_3 queue (Q2_3), and the third check-in buffer (Cib_3) store the task descriptor for LP micro DMA, and the 1_4 queue (Q1_4), the 2_4 queue (Q2_4), and the 4 Check-in buffer (Cib_4) can store a task descriptor for ST micro DMA. However, this embodiment is not limited to this.
도 25는 본 발명의 몇몇 실시예에 따른 뉴럴 프로세싱 장치의 제1 큐, 제2 큐 및 체크인 버퍼를 설명하기 위한 도면이다.FIG. 25 is a diagram illustrating a first queue, a second queue, and a check-in buffer of a neural processing device according to some embodiments of the present invention.
도 25를 참조하면, 제1_1 내지 제1_4 큐(Q1_1~Q1_4), 제2_1 내지 제2_4 큐(Q2_1~Q2_4) 및 제1 내지 제4 체크인 버퍼(Cib_1~Cib_4)는 각각 특정한 타입의 태스크 디스크립터를 저장할 수 있다. 제1_1 내지 제1_4 큐(Q1_1~Q1_4), 제2_1 내지 제2_4 큐(Q2_1~Q2_4) 및 제1 내지 제4 체크인 버퍼(Cib_1~Cib_4)는 서로 동일한 타입의 태스크 디스크립터를 저장할 수 있다. Referring to FIG. 25, the 1_1st to 1_4th queues (Q1_1 to Q1_4), the 2_1st to 2_4th queues (Q2_1 to Q2_4), and the 1st to 4th check-in buffers (Cib_1 to Cib_4) each have a specific type of task descriptor. You can save it. The 1_1st to 1_4th queues (Q1_1 to Q1_4), the 2_1st to 2_4th queues (Q2_1 to Q2_4), and the 1st to 4th check-in buffers (Cib_1 to Cib_4) may store task descriptors of the same type.
예를 들어, 제1_1 큐(Q1_1), 제2_1 큐(Q2_1) 및 제1 체크인 버퍼(Cib_1)는 제1 컴퓨테이션에 대한 태스크 디스크립터를 저장하고, 제1_2 큐(Q1_2), 제2_2 큐(Q2_2) 및 제2 체크인 버퍼(Cib_2)는 제2 컴퓨테이션에 대한 태스크 디스크립터를 저장할 수 있다. 또한, 제1_3 큐(Q1_3), 제2_3 큐(Q2_3) 및 제3 체크인 버퍼(Cib_3)는 제3 컴퓨테이션에 대한 태스크 디스크립터를 저장하고, 제1_4 큐(Q1_4), 제2_4 큐(Q2_4) 및 제4 체크인 버퍼(Cib_4)는 제4 컴퓨테이션에 대한 태스크 디스크립터를 저장할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.For example, the 1_1 queue (Q1_1), the 2_1 queue (Q2_1), and the 1st check-in buffer (Cib_1) store the task descriptor for the first computation, and the 1_2 queue (Q1_2) and the 2_2 queue (Q2_2) ) and the second check-in buffer (Cib_2) may store a task descriptor for the second computation. In addition, the 1_3 queue (Q1_3), the 2_3 queue (Q2_3), and the third check-in buffer (Cib_3) store the task descriptor for the third computation, and the 1_4 queue (Q1_4), the 2_4 queue (Q2_4), and The fourth check-in buffer (Cib_4) may store a task descriptor for the fourth computation. However, this embodiment is not limited to this.
이때, 제1 내지 제4 컴퓨테이션은 완전히 동일한 컴퓨테이션일 수도 있고, 서로 동일한 타입이지만 세부적으로 다른 종류의 컴퓨테이션일 수도 있다.At this time, the first to fourth computations may be completely the same computation, or may be computations of the same type but different in detail.
도 26은 본 발명의 몇몇 실시예에 따른 뉴럴 프로세싱 장치의 제1 큐, 제2 큐 및 체크인 버퍼를 설명하기 위한 도면이다.FIG. 26 is a diagram illustrating a first queue, a second queue, and a check-in buffer of a neural processing device according to some embodiments of the present invention.
도 26을 참조하면, 제1_1 내지 제1_4 큐(Q1_1~Q1_4), 제2_1 내지 제2_4 큐(Q2_1~Q2_4) 및 제1 내지 제4 체크인 버퍼(Cib_1~Cib_4)는 각각 여러 타입의 태스크 디스크립터를 저장할 수 있다. 제1_1 내지 제1_4 큐(Q1_1~Q1_4), 제2_1 내지 제2_4 큐(Q2_1~Q2_4) 및 제1 내지 제4 체크인 버퍼(Cib_1~Cib_4)는 서로 다른 타입의 태스크 디스크립터를 저장할 수도 있고, 서로 같은 타입의 태스크 디스크립터를 저장할 수도 있다. Referring to FIG. 26, the 1_1st to 1_4th queues (Q1_1 to Q1_4), the 2_1st to 2_4th queues (Q2_1 to Q2_4), and the 1st to 4th check-in buffers (Cib_1 to Cib_4) each contain several types of task descriptors. You can save it. The 1_1st to 1_4th queues (Q1_1 to Q1_4), the 2_1st to 2_4th queues (Q2_1 to Q2_4), and the 1st to 4th check-in buffers (Cib_1 to Cib_4) may store different types of task descriptors, and may store the same task descriptors. You can also store the type's task descriptor.
도 27은 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 장치의 구조를 세부적으로 설명하기 위한 블록도이다.Figure 27 is a block diagram to explain in detail the structure of a neural processing device according to some embodiments of the present invention.
도 27을 참조하면, 뉴럴 코어(101)는 뉴럴 코어(100)와 달리 CGRA 구조일 수 있다. 뉴럴 코어(101)는 인스트럭션 메모리(111_1), CGRA L0 메모리(111_2), PE 어레이(111_3) 및 LSU(Load/Store Unit)(111_4)을 포함할 수 있다.Referring to FIG. 27, the
인스트럭션 메모리(111_1)는 인스트럭션을 수신하여 저장할 수 있다. 인스트럭션 메모리(111_1)는 인스트럭션을 내부에 순차적으로 저장하고, 저장된 인스트럭션을 PE 어레이(111_3)로 제공할 수 있다. 이때, 인스트럭션은 각 PE 어레이(111_3)에 포함된 프로세싱 엘리먼트(111_3a)의 동작을 지시할 수 있다.The instruction memory 111_1 can receive and store instructions. The instruction memory 111_1 may sequentially store instructions internally and provide the stored instructions to the PE array 111_3. At this time, the instruction may direct the operation of the processing element 111_3a included in each PE array 111_3.
CGRA L0 메모리(111_2)는 뉴럴 코어(101) 내부에 위치한 메모리로서, 뉴럴 코어(101)가 작업에 필요한 모든 입력 데이터를 외부로부터 수신하여 임시로 저장할 수 있다. 또한, CGRA L0 메모리(111_2)는 뉴럴 코어(101)에 의해서 연산된 출력 데이터를 외부로 전송하기 위해서 일시적으로 저장할 수 있다. CGRA L0 메모리(111_2)는 뉴럴 코어(101)의 캐시 메모리 역할을 수행할 수 있다.The CGRA L0 memory 111_2 is a memory located inside the
CGRA L0 메모리(111_2)는 PE 어레이(111_3)와 데이터를 송수신할 수 있다. CGRA L0 메모리(111_2)는 L1 보다 낮은 L0(level 0)에 해당하는 메모리일 수 있다. 이때, L0 메모리는 공유되지 않는 뉴럴 코어(101)의 전용(private) 메모리일 수 있다. CGRA L0 메모리(111_2)는 액티베이션이나 웨이트 같은 데이터와 프로그램 등을 PE 어레이(111_3)로 전송할 수 있다. The CGRA L0 memory 111_2 can transmit and receive data with the PE array 111_3. The CGRA L0 memory 111_2 may be a memory corresponding to L0 (level 0), which is lower than L1. At this time, the L0 memory may be a private memory of the
PE 어레이(111_3)는 연산을 수행하는 모듈일 수 있다. PE 어레이(111_3)는 1차원 연산뿐만 아니라 2차원 이상의 매트릭스/텐서 연산도 수행할 수 있다. PE 어레이(111_3)는 내부에 복수의 프로세싱 엘리먼트(111_3a) 및 특정 프로세싱 엘리먼트(111_3b)를 포함할 수 있다.The PE array 111_3 may be a module that performs calculations. The PE array 111_3 can perform not only one-dimensional operations but also two-dimensional or more matrix/tensor operations. The PE array 111_3 may include a plurality of processing elements 111_3a and a specific processing element 111_3b therein.
프로세싱 엘리먼트(111_3a) 및 특정 프로세싱 엘리먼트(111_3b)는 행과 열로 정렬될 수 있다. 프로세싱 엘리먼트(111_3a) 및 특정 프로세싱 엘리먼트(111_3b)는 m 열로 정렬될 수 있다. 또한, 프로세싱 엘리먼트(111_3a)는 n 행으로 정렬되고, 특정 프로세싱 엘리먼트(111_3b)는 l행으로 정렬될 수 있다. 이에 따라서, 프로세싱 엘리먼트(111_3a) 및 특정 프로세싱 엘리먼트(111_3b)는 (n+l)행과 m열로 정렬될 수 있다.The processing element 111_3a and the specific processing element 111_3b may be arranged in rows and columns. The processing element 111_3a and the specific processing element 111_3b may be arranged in m columns. Additionally, the processing element 111_3a may be arranged in n rows, and the specific processing element 111_3b may be arranged in l rows. Accordingly, the processing element 111_3a and the specific processing element 111_3b may be arranged in (n+l) rows and m columns.
LSU(111_4)는 로컬 인터커넥션(200)을 통해서 외부에서 데이터, 제어 신호 및 동기화 신호 중 적어도 하나를 수신할 수 있다. LSU(111_4)은 CGRA L0 메모리(111_2)로 수신한 데이터, 제어 신호 및 동기화 신호 중 적어도 하나를 전송할 수 있다. 유사하게 LSU(111_4)는 로컬 인터커넥션(200)을 통해서 데이터, 제어 신호 및 동기화 신호 중 적어도 하나를 외부로 전달 수 있다. The LSU 111_4 may receive at least one of data, control signals, and synchronization signals from the outside through the
뉴럴 코어(101)는 CGRA(Coarse Grained Reconfigurable Architecture) 구조를 가질 수 있다. 이에 따라서, 뉴럴 코어(101)는 PE 어레이(111_3)의 각각의 프로세싱 엘리먼트(111_3a)와 특정 프로세싱 엘리먼트(111_3b)가 각각 CGRA L0 메모리(111_2), 인스트럭션 메모리(111_1) 및 LSU(111_4) 중 적어도 하나와 연결될 수 있다. 즉, 프로세싱 엘리먼트(111_3a) 및 특정 프로세싱 엘리먼트(111_3b)는 CGRA L0 메모리(111_2), 인스트럭션 메모리(111_1) 및 LSU(111_4)의 전부와 연결되어야 하는 것은 아니고 일부와 연결될 수도 있다.The
또한, 프로세싱 엘리먼트(111_3a) 및 특정 프로세싱 엘리먼트(111_3b)는 서로 다른 종류의 프로세싱 소자일 수 있다. 이에 따라서, CGRA L0 메모리(111_2), 인스트럭션 메모리(111_1) 및 LSU(111_4) 중 프로세싱 엘리먼트(111_3a)와 연결되는 소자와 특정 프로세싱 엘리먼트(111_3b)와 연결되는 소자는 서로 다를 수 있다.Additionally, the processing element 111_3a and the specific processing element 111_3b may be different types of processing elements. Accordingly, among the CGRA L0 memory 111_2, the instruction memory 111_1, and the LSU 111_4, the element connected to the processing element 111_3a and the element connected to the specific processing element 111_3b may be different from each other.
CGRA 구조를 가지는 본 발명의 뉴럴 코어(101)는 높은 수준의 병렬 연산이 가능하고, 프로세싱 엘리먼트(111_3a) 및 특정 프로세싱 엘리먼트(111_3b) 사이의 직접적인 데이터 교환이 가능하므로 전력 소모가 낮을 수 있다. 또한, 2개 이상의 종류의 프로세싱 엘리먼트(111_3a)를 포함하여 다양한 연산 작업에 따른 최적화도 가능할 수 있다.The
예를 들어, 프로세싱 엘리먼트(111_3a)가 2차원 연산을 수행하는 프로세싱 엘리먼트인 경우 특정 프로세싱 엘리먼트(111_3b)는 1차원 연산을 수행하는 프로세싱 엘리먼트일 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.For example, if the processing element 111_3a is a processing element that performs a two-dimensional operation, the specific processing element 111_3b may be a processing element that performs a one-dimensional operation. However, this embodiment is not limited to this.
도 28은 본 발명의 몇몇 실시예에 따른 뉴럴 프로세싱 장치의 커맨드 프로세서와 태스크 매니저의 계층적 구조를 설명하기 위한 도면이고, 도 29는 본 발명의 몇몇 실시예에 따른 뉴럴 프로세싱 장치의 커맨드 프로세서 및 태스크 매니저들의 계층 구조를 설명하기 위한 도면이다.FIG. 28 is a diagram illustrating the hierarchical structure of a command processor and a task manager of a neural processing device according to some embodiments of the present invention, and FIG. 29 is a diagram illustrating a command processor and a task manager of a neural processing device according to some embodiments of the present invention. This is a diagram to explain the hierarchy of managers.
도 28 및 도 29를 참조하면, 태스크 매니저(600)의 수가 많아지면 커맨드 프로세서(7000)가 모든 태스크 매니저(600)를 관리하기 어려울 수 있다. 이에 따라서, 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 장치(1)는 마스터 태스크 매니저(600M)가 복수의 태스크 매니저(600)를 관리하고, 커맨드 프로세서(7000)가 마스터 태스크 매니저(600M)를 관리하는 하이라키 구조를 가질 수 있다.Referring to FIGS. 28 and 29 , if the number of
또한, 도 29를 참조하면, 마스터 태스크 매니저(600M)의 아래 레벨도 여러가지로 세분화될 수 있다. 예를 들어 제1 서브 태스크 매니저(600s1)과 제2 서브 태스크 매니저(600s2)가 각각의 계층을 이룰 수 있다. 즉, 하나의 제1 서브 태스크 매니저(600s1)가 적어도 하나의 제2 서브 태스크 매니저(600s2)를 관리하고, 하나의 마스터 태스크 매니저(600M)가 적어도 하나의 제1 서브 태스크 매니저(600s1)를 관리할 수 있다. 추가적으로, 제2 서브 태스크 매니저(600s2)의 하위에도 여러 개의 계층이 추가될 수 있다.Additionally, referring to FIG. 29, levels below the
즉, 도 28 및 도 29에서는 태스크 매니저(600), 마스터 태스크 매니저(600M) 및 커맨드 프로세서(7000)의 3개 레벨이 도시되었지만, 레벨의 개수는 4개 이상일 수 있다. 즉, 태스크 매니저(600)의 개수에 따라 하이라키 구조의 뎁스는 얼마든지 달라질 수 있다.That is, although three levels of the
도 30은 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 시스템의 메모리 재구성을 설명하기 위한 블록도이다.Figure 30 is a block diagram for explaining memory reorganization of a neural processing system according to some embodiments of the present invention.
도 30을 참조하면, 뉴럴 코어 SoC(10)은 제1 내지 제8 프로세싱 유닛(160a~160h) 및 온 칩 메모리(OCM)를 포함할 수 있다. 도 20에서는 예시적으로 8개의 프로세싱 유닛을 도시하였으나, 이는 예시에 불과하고 프로세싱 유닛의 개수는 얼마든지 달라질 수 있다. Referring to FIG. 30, the
온 칩 메모리(OCM)는 제1 내지 제8 L0 메모리(120a~120h) 및 공유 메모리(2000)를 포함할 수 있다.The on-chip memory (OCM) may include first to
제1 내지 제8 L0 메모리(120a~120h)는 각각 제1 내지 제8 프로세싱 유닛(160a~160h)의 전용 메모리로 사용될 수 있다. 즉, 제1 내지 제8 프로세싱 유닛(160a~160h)와 제1 내지 제8 L0 메모리(120a~120h)는 서로 1:1로 대응될 수 있다.The first to
공유 메모리(2000)는 제1 내지 제8 메모리 유닛(2100a~2100h)을 포함할 수 있다. 제1 내지 제8 메모리 유닛(2100a~2100h)은 제1 내지 제8 프로세싱 유닛(160a~160h) 및 제1 내지 제8 L0 메모리(120a~120h)에 각각 대응할 수 있다. 즉, 메모리 유닛의 개수는 프로세싱 유닛 및 L0 메모리의 개수와 동일한 8개일 수 있다. The shared
공유 메모리(2000)는 2가지 종류의 온 칩 메모리 형식 중 어느 하나로 동작할 수 있다. 즉, 공유 메모리(2000)는 L0 메모리 형식 또는 글로벌 메모리 형식 중 어느 하나로 동작할 수 있다. 즉, 공유 메모리(2000)는 하나의 하드웨어로 2가지의 논리적인(logical) 메모리를 구현할 수 있다.Shared
공유 메모리(2000)가 L0 메모리 형식으로 구현되는 경우, 공유 메모리(2000)는 제1 내지 제8 L0 메모리(120a~120h)와 같이 제1 내지 제8 프로세싱 유닛(160a~160h) 각각의 전용 메모리(private memory)로 동작할 수 있다. L0 메모리는 글로벌 메모리에 비해서 상대적으로 고속의 클럭으로 동작할 수 있고, 공유 메모리(2000)도 L0 메모리 형식으로 동작할 때 상대적으로 더 빠른 클럭을 사용할 수 있다.When the shared
공유 메모리(2000)가 글로벌 메모리 형식으로 구현되는 경우, 공유 메모리(2000)는 제1 프로세싱 유닛(100a) 및 제2 프로세싱 유닛(100b)가 서로 같이 사용하는 공용 메모리(common memory)로 동작할 수 있다. 이때, 공유 메모리(2000)는 제1 내지 제8 프로세싱 유닛(160a~160h)뿐만 아니라 제1 내지 제8 L0 메모리(120a~120h)에 의해서도 공유될 수 있다.When the shared
글로벌 메모리는 일반적으로 L0 메모리에 비해서 낮은 클럭을 사용할 수 있으나, 이에 제한되는 것은 아니다. 공유 메모리(2000)가 글로벌 메모리 형식으로 동작할 때는, 제1 내지 제8 프로세싱 유닛(160a~160h)가 공유 메모리(2000)를 공유할 수 있다. 이때, 공유 메모리(2000)는 도 2의 휘발성 메모리(32)와 글로벌 인터커넥션(6000)을 통해서 연결되고, 휘발성 메모리(32)의 버퍼로 동작할 수도 있다.Global memory can generally use a lower clock than L0 memory, but is not limited to this. When the shared
공유 메모리(2000)는 적어도 일부가 L0 메모리 형식으로 동작하고, 나머지가 글로벌 메모리 형식으로 동작할 수 있다. 즉, 공유 메모리(2000) 전체가 L0 메모리 형식으로 동작할 수도 있고, 공유 메모리(2000) 전체가 글로벌 메모리 형식으로 동작할 수도 있다. 또는, 공유 메모리(2000)의 일부가 L0 메모리 형식으로 동작하고, 나머지 일부가 글로벌 메모리 형식으로 동작할 수 있다.At least part of the shared
도 31은 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 시스템의 메모리 재구성의 예시를 나타낸 블록도이다.Figure 31 is a block diagram showing an example of memory reorganization of a neural processing system according to some embodiments of the present invention.
도 30 및 도 31을 참조하면, 제1, 제3, 제5 및 제7 프로세싱 유닛(100a, 100c, 100e, 100g) 각각의 제1, 제3, 제5 및 제7 전용 영역(AE1, AE3, AE5, AE7)은 각각 제1, 제3, 제5 및 제7 L0 메모리(120a, 120c, 120e, 120g)만을 포함할 수 있다. 또한, 제2, 제4, 제6 및 제8 프로세싱 유닛(100b, 100d, 100f, 100h) 각각의 제2, 제4, 제6 및 제8 전용 영역(AE2, AE4, AE6, AE8)은 각각 제2, 제4, 제6 및 제8 L0 메모리(120b, 120d, 120f, 120h)를 포함할 수 있다. 또한, 제2, 제4, 제6 및 제8 전용 영역(AE2, AE4, AE6, AE8)은 제2, 제4, 제6 및 제8 메모리 유닛(2100b, 2100d, 2100f, 2100h)을 포함할 수 있다. 공유 메모리(2000)의 제1, 제3, 제5 및 제7 메모리 유닛(2100a, 2100c, 2100e, 2100g)은 공용 영역(AC)으로 활용될 수 있다.30 and 31, the first, third, fifth, and seventh dedicated areas (AE1, AE3) of each of the first, third, fifth, and seventh processing units (100a, 100c, 100e, and 100g) , AE5, and AE7) may include only the first, third, fifth, and
공용 영역(AC)은 제1 내지 제8 프로세싱 유닛(160a~160h)에 의해서 공유되는 메모리일 수 있다. 제2 전용 영역(AE2)은 제2 L0 메모리(120b)와 제2 메모리 유닛(2100b)을 포함할 수 있다. 제2 전용 영역(AE2)은 하드웨어적으로 분리된 제2 L0 메모리(120b)와 제2 메모리 유닛(210b)이 같은 방식으로 동작하여 논리적으로 하나의 L0 메모리로 동작하는 영역일 수 있다. 제4, 제6 및 제8 전용 영역(AE4, AE6, AE8)도 제2 전용 영역(AE2)과 같은 방식으로 동작할 수 있다.The common area AC may be a memory shared by the first to
본 실시예에 따른 공유 메모리(2000)는 각 뉴럴 코어에 대응하는 영역을 최적화된 비율의 논리적인 L0 메모리와 논리적인 글로벌 메모리로 전환하여 사용할 수 있다. 공유 메모리(2000)는 이러한 비율의 조정을 런 타임(Run time)에서 수행할 수 있다. The shared
즉, 각 뉴럴 코어는 서로 동일한 작업을 하는 경우도 있지만, 서로 상이한 작업을 하는 경우도 있을 수 있다. 이 경우 각 뉴럴 코어가 하는 작업에 필요한 L0 메모리의 용량과 글로벌 메모리의 용량은 매번 다를 수밖에 없다. 이에 따라서, 기존의 온 칩 메모리와 같이 L0 메모리와 공유 메모리의 구성 비율이 고정적으로 설정되는 경우에는 각 뉴럴 코어에게 할당되는 연산 작업에 따른 비효율이 발생할 수 있다. In other words, each neural core may perform the same tasks, but may also perform different tasks. In this case, the capacity of L0 memory and the capacity of global memory required for the work performed by each neural core are bound to be different each time. Accordingly, if the composition ratio of L0 memory and shared memory is set fixedly, as in the existing on-chip memory, inefficiencies may occur due to the computational tasks assigned to each neural core.
따라서, 본 실시예에 따른 뉴럴 프로세싱 장치의 공유 메모리(2000)는 런 타임 중에 연산 작업에 따라서 최적의 L0 메모리 및 글로벌 메모리의 비율을 설정할 수 있고, 연산의 효율성 및 속도를 향상시킬 수 있다.Accordingly, the shared
도 32은 도 30의 A부분을 확대한 블록도이다.Figure 32 is an enlarged block diagram of part A of Figure 30.
도 30 및 도 32을 참조하면, 공유 메모리(2000)는 제1 L0 메모리 컨트롤러(122_1a), 제2 L0 메모리 컨트롤러(122_1b), 제5 L0 메모리 컨트롤러(122_1e), 제6 L0 메모리 컨트롤러(122_1f), 제1 내지 제8 메모리 유닛(2100a~2100h) 및 글로벌 컨트롤러(2200)를 포함할 수 있다. 도시되지 않은 다른 L0 메모리 컨트롤러도 본 실시예에 포함될 수 있으나 편의상 설명을 생략한다.30 and 32, the shared
제1 L0 메모리 컨트롤러(122_1a)는 제1 L0 메모리(120a)를 제어할 수 있다. 또한, 제1 L0 메모리 컨트롤러(122_1a)는 제1 메모리 유닛(2100a)을 제어할 수 있다. 구체적으로, 제1 메모리 유닛(2100a)이 논리적인 L0 메모리 형식으로 구현될 때, 제1 L0 메모리 컨트롤러(122_1a)에 의한 제어가 제1 메모리 유닛(2100a)에 수행될 수 있다.The first L0 memory controller 122_1a can control the
제2 L0 메모리 컨트롤러(122_1b)는 제2 L0 메모리(120b)를 제어할 수 있다. 또한, 제2 L0 메모리 컨트롤러(122_1b)는 제2 메모리 유닛(2100b)을 제어할 수 있다. 즉, 제2 메모리 유닛(2100b)이 논리적인 L0 메모리 형식으로 구현될 때, 제1 L0 메모리 컨트롤러(122_1a)에 의한 제어가 제2 메모리 유닛(2100b)에 수행될 수 있다.The second L0 memory controller 122_1b can control the
제5 L0 메모리 컨트롤러(122_1e)는 제5 L0 메모리(120e)를 제어할 수 있다. 또한, 제5 L0 메모리 컨트롤러(122_1e)는 제5 메모리 유닛(2100e)을 제어할 수 있다. 즉, 제5 메모리 유닛(2100e)이 논리적인 L0 메모리 형식으로 구현될 때, 제5 L0 메모리 컨트롤러(122_1e)에 의한 제어가 제5 메모리 유닛(2100e)에 수행될 수 있다.The fifth L0 memory controller 122_1e can control the
제6 L0 메모리 컨트롤러(122_1f)는 제6 L0 메모리(120f)를 제어할 수 있다. 또한, 제6 L0 메모리 컨트롤러(122_1f)는 제6 메모리 유닛(2100f)을 제어할 수 있다. 즉, 제6 메모리 유닛(2100f)이 논리적인 L0 메모리 형식으로 구현될 때, 제6 L0 메모리 컨트롤러(122_1f)에 의한 제어가 제6 메모리 유닛(2100f)에 수행될 수 있다.The sixth L0 memory controller 122_1f can control the
글로벌 컨트롤러(2200)는 제1 내지 제8 메모리 유닛(2100a~2100h)을 모두 제어할 수 있다. 구체적으로, 글로벌 컨트롤러(2200)는 제1 내지 제8 메모리 유닛(2100a~2100h)이 각각 논리적으로 글로벌 메모리 형식으로 동작할 때(즉, 논리적으로 L0 메모리 형식으로 동작하지 않을 때), 제1 메모리 유닛(2100a) 내지 제8 메모리 유닛(2100h)을 제어할 수 있다.The
즉, 제1 내지 제8 메모리 유닛(2100a~2100h)은 논리적으로 어떤 형식의 메모리로 구현되느냐에 따라서 제1 내지 제8 L0 메모리 컨트롤러(122_1a~122_1h)에 의해 각각 제어되거나 글로벌 컨트롤러(2200)에 의해서 제어될 수 있다. That is, the first to
제1, 제2, 제5 및 제6 L0 메모리 컨트롤러(122_1a, 122_1b, 122_1e, 122_1f)를 포함하는 L0 메모리 컨트롤러가 각각 제1 내지 제8 메모리 유닛(2100a~2100h)을 제어하는 경우, 제1 내지 제8 L0 메모리 컨트롤러(122_1a~141h)는 제1 내지 제8 메모리 유닛(2100a~2100h)을 제1 내지 제8 L0 메모리(120a~120h)와 동일하게 제어하므로, 제1 내지 제8 프로세싱 유닛(160a~160h)의 전용 메모리로 제어할 수 있다. 이에 따라서, 제1 내지 제8 메모리 유닛(2100a~2100h)은 제1 내지 제8 프로세싱 유닛(160a~160h)의 클럭 주파수와 대응하는 클럭 주파수로 동작할 수 있다.When L0 memory controllers including the first, second, fifth, and sixth L0 memory controllers 122_1a, 122_1b, 122_1e, and 122_1f control the first to
제1 L0 메모리 컨트롤러(122_1a), 제2 L0 메모리 컨트롤러(122_1b), 제5 L0 메모리 컨트롤러(122_1e) 및 제6 L0 메모리 컨트롤러(122_1f)를 포함하는 L0 메모리 컨트롤러는 각각 도 8의 LSU(110)을 포함할 수 있다. The L0 memory controllers including the first L0 memory controller 122_1a, the second L0 memory controller 122_1b, the fifth L0 memory controller 122_1e, and the sixth L0 memory controller 122_1f are respectively the
글로벌 컨트롤러(2200)가 제1 내지 제8 메모리 유닛(2100a~2100h) 중 적어도 하나를 각각 제어하는 경우, 글로벌 컨트롤러(2200)는 제1 내지 제8 메모리 유닛(2100a~2100h)을 각각 제1 내지 제8 프로세싱 유닛(160a~160h)의 글로벌 메모리로 제어할 수 있다. 이에 따라서, 제1 내지 제8 메모리 유닛(2100a~2100h) 중 적어도 하나는 각각 제1 내지 제8 프로세싱 유닛(160a~160h)의 클럭 주파수와는 무관한 클럭 주파수로 동작할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.When the
글로벌 컨트롤러(2200)는 제1 내지 제8 메모리 유닛(2100a~2100h)을 도 3의 글로벌 인터커넥션(6000)과 연결할 수 있다. 제1 내지 제8 메모리 유닛(2100a~2100h)은 글로벌 컨트롤러(2200)에 의해서 도 1의 오프 칩 메모리(30)와 데이터를 교환하거나, 제1 내지 제8 L0 메모리(120a~120h) 와 각각 데이터를 교환할 수 있다.The
제1 내지 제8 메모리 유닛(2100a~2100h)은 각각 적어도 하나의 메모리 뱅크를 포함할 수 있다. 제1 메모리 유닛(2100a)은 적어도 하나의 제1 메모리 뱅크(2110a)를 포함할 수 있다. 제1 메모리 뱅크(2110a)는 제1 메모리 유닛(2100a)을 특정한 크기로 나눈 영역일 수 있다. 각각의 제1 메모리 뱅크(2110a)는 모두 동일한 크기의 메모리 소자일 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다. 도 28에서는 4개의 메모리 뱅크가 하나의 메모리 유닛에 포함되는 것으로 도시되었다. The first to
유사하게 제2, 제5 및 제6 메모리 유닛(2100b, 2100e, 2100f)는 각각 적어도 하나의 제2, 제5 및 제6 메모리 뱅크(2110b, 2110e, 2110f)를 포함할 수 있다.Similarly, the second, fifth, and
이하 제1 메모리 뱅크(2110a) 및 제5 메모리 뱅크(2110e)를 기준으로 설명하고, 이는 제2 및 제6 메모리 뱅크(2110b, 2110f)를 포함한 다른 메모리 뱅크와 동일할 수 있다.Hereinafter, the description will be made based on the
제1 메모리 뱅크(2110a)는 각각 논리적으로 L0 메모리 형식으로 동작하거나 논리적으로 글로벌 메모리 형식으로 동작할 수 있다. 이때, 제1 메모리 뱅크(2110a)는 제1 메모리 유닛(2100a) 내의 다른 메모리 뱅크와 독립적으로 동작할 수도 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.The
각 메모리 뱅크별로 독립적으로 동작하는 경우, 제1 메모리 유닛(2100a)은 제1 L0 메모리(120a)와 동일한 방식으로 동작하는 제1 영역과, 제1 L0 메모리(120a)와 다른 방식으로 동작하는 제2 영역을 포함할 수 있다. 이때, 제1 영역과 제2 영역이 반드시 병존하는 것은 아니고 어느 하나의 영역이 전체 제1 메모리 유닛(2100a)의 전체를 차지할 수도 있다.When operating independently for each memory bank, the
마찬가지로, 제2 메모리 유닛(2100b)은 제2 L0 메모리(120b)와 동일한 방식으로 동작하는 제3 영역과, 제2 L0 메모리(120b)와 다른 방식으로 동작하는 제4 영역을 포함할 수 있다. 이때, 제3 영역과 제4 영역이 반드시 병존하는 것은 아니고 어느 하나의 영역이 전체 제1 메모리 유닛(2100a)의 전체를 차지할 수도 있다.Likewise, the
이때, 제1 영역과 제2 영역의 비율은 제3 영역과 제4 영역의 비율과 상이할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다. 따라서, 제1 영역과 제2 영역의 비율은 제3 영역과 제4 영역의 비율과 동일할 수도 있다. 즉, 각 메모리 유닛에서의 메모리 구성 비율을 얼마든지 달라질 수 있다.At this time, the ratio of the first area to the second area may be different from the ratio of the third area to the fourth area. However, this embodiment is not limited to this. Accordingly, the ratio of the first area to the second area may be the same as the ratio of the third area to the fourth area. That is, the memory configuration ratio in each memory unit can vary as much as desired.
일반적으로 기존의 시스템 온 칩의 경우에는 고속의 L0 메모리를 제외한 온 칩 메모리를 고밀도 저전력 SRAM으로 구성하는 경우가 많았다. 이는 필요한 용량 대비 칩의 면적과 사용 전력에서 SRAM이 높은 효율을 가지기 때문이다. 그러나, 기존의 온 칩 메모리는 미리 결정된 L0 메모리의 용량보다 더 많은 데이터가 빠르게 필요한 작업의 경우에는 처리 속도가 크게 느려질 수밖에 없었고, 글로벌 메모리의 필요가 크지 않은 경우에도 남아있는 글로벌 메모리를 활용할 방안이 전혀 없어 비효율이 발생하였다.In general, in the case of existing system-on-chip, the on-chip memory, excluding high-speed L0 memory, is often composed of high-density, low-power SRAM. This is because SRAM has high efficiency in terms of chip area and power usage compared to the required capacity. However, the processing speed of the existing on-chip memory inevitably slowed down significantly in the case of tasks that required more data quickly than the predetermined capacity of the L0 memory, and even when the need for global memory was not large, there was no way to utilize the remaining global memory. There was no use at all, resulting in inefficiency.
이에 반해서, 본 발명의 몇몇 실시예에 따른 공유 메모리(2000)는 경우에 따라서 각각 2개의 컨트롤러 중 어느 하나에 의해서 선택적으로 제어될 수 있다. 이때, 공유 메모리(2000)가 전체적으로 2개의 컨트롤러 중 정해진 어느 하나에 의해서만 제어되는 것은 아니고, 메모리 유닛 단위 또는 메모리 뱅크 단위로 독립적으로 제어될 수 있다.In contrast, the shared
이를 통해서, 본 실시예에 따른 공유 메모리(2000)는 연산 작업에 따른 최적의 메모리 구성 비율을 런 타임 중에 획득하여 더 빠르고 효율적인 연산작업을 수행할 수 있다. 인공지능에 특화된 프로세싱 유닛의 경우 특정 어플리케이션 단위로 L0 메모리와 글로벌 메모리의 필요한 크기가 달라질 수 있다. 나아가, 동일한 어플리케이션이라도 딥러닝 네트워크를 사용하는 경우 각 층(layer) 별로 L0 메모리와 글로벌 메모리의 필요한 크기가 달라질 수 있다. 본 실시예에 따른 공유 메모리(2000)는 각 층에 따른 연산 단계의 변화에도 메모리의 구성 비율이 런 타임 중에 변화될 수 있어 빠르고 효율적인 딥러닝 작업이 가능할 수 있다.Through this, the shared
도 33는 도 32의 제1 메모리 뱅크를 세부적으로 설명하기 위한 도면이다. 도 33는 제1 메모리 뱅크(2110a)에 대해서 도시하였지만, 다른 메모리 뱅크도 제1 메모리 뱅크(2110a)와 동일한 구조일 수 있다.FIG. 33 is a diagram for explaining the first memory bank of FIG. 32 in detail. Although FIG. 33 illustrates the
도 33를 참조하면, 제1 메모리 뱅크(2110a)는 셀 어레이(Ca), 뱅크 컨트롤러(Bc), 제1 경로 유닛(P1) 및 제2 경로 유닛(P2)을 포함할 수 있다.Referring to FIG. 33, the
셀 어레이(Ca)는 내부에 복수의 메모리 소자(Cell)를 포함할 수 있다. 셀 어레이(Ca)는 복수의 메모리 소자가 격자 구조로 정렬되어 배치될 수 있다. 셀 어레이(Ca)는 예를 들어, SRAM(Static Random Access Memory) 셀 어레이일 수 있다.The cell array (Ca) may include a plurality of memory elements (Cells) therein. The cell array Ca may have a plurality of memory elements arranged in a lattice structure. The cell array (Ca) may be, for example, a Static Random Access Memory (SRAM) cell array.
뱅크 컨트롤러(Bc)는 셀 어레이(Ca)를 제어할 수 있다. 뱅크 컨트롤러(Bc)는 셀 어레이(Ca)가 L0 메모리 형식으로 동작할지, 아니면 글로벌 메모리 형식으로 동작할 지를 결정하고 그에 따라 셀 어레이(Ca)를 제어할 수 있다. The bank controller (Bc) can control the cell array (Ca). The bank controller Bc may determine whether the cell array Ca will operate in an L0 memory format or a global memory format and control the cell array Ca accordingly.
구체적으로, 뱅크 컨트롤러(Bc)는 런 타임 중에 제1 경로 유닛(P1) 방향으로 데이터를 송수신할지, 제2 경로 유닛(P2) 방향으로 데이터를 송수신할지를 결정할 수 있다. 뱅크 컨트롤러(Bc)는 경로 컨트롤 신호(Spc)에 따라 데이터의 송수신 방향을 결정할 수 있다.Specifically, the bank controller (Bc) can determine whether to transmit and receive data in the first path unit (P1) direction or the second path unit (P2) direction during run time. The bank controller (Bc) can determine the direction of data transmission and reception according to the path control signal (Spc).
경로 컨트롤 신호(Spc)는 미리 설계된 장치 드라이버나 컴파일러에 의해서 생성될 수 있다. 경로 컨트롤 신호(Spc)는 연산 작업의 특성에 따라서 생성될 수 있다. 또는, 경로 컨트롤 신호(Spc)는 사용자로부터 수신된 입력에 의해서 생성될 수 있다. 즉, 사용자가 가장 최적의 메모리 구성 비율을 선택하기 위해서 경로 컨트롤 신호(Spc)에 대한 입력을 직접 인가할 수 있다.The path control signal (Spc) can be generated by a pre-designed device driver or compiler. A path control signal (Spc) can be generated according to the characteristics of the computational task. Alternatively, the path control signal (Spc) may be generated by input received from the user. In other words, the user can directly apply the input to the path control signal (Spc) in order to select the most optimal memory configuration ratio.
뱅크 컨트롤러(Bc)는 경로 컨트롤 신호(Spc)를 통해서 셀 어레이(Ca)에 저장된 데이터들의 송수신되는 경로를 결정할 수 있다. 뱅크 컨트롤러(Bc)가 데이터들이 송수신되는 경로를 결정하는 것에 따라 데이터들의 교환 인터페이스가 달라질 수 있다. 즉, 뱅크 컨트롤러(Bc)가 제1 경로 유닛(P1)과 데이터를 교환하는 경우 제1 인터페이스를 이용할 수 있고, 제2 경로 유닛(P2)과 데이터를 교환하는 경우 제2 인터페이스를 이용할 수 있다. 이때, 제1 인터페이스와 제2 인터페이스는 서로 다를 수 있다.The bank controller (Bc) can determine a path for transmitting and receiving data stored in the cell array (Ca) through the path control signal (Spc). The data exchange interface may vary depending on how the bank controller (Bc) determines the path through which data is transmitted and received. That is, the bank controller Bc can use the first interface when exchanging data with the first path unit P1, and can use the second interface when exchanging data with the second path unit P2. At this time, the first interface and the second interface may be different from each other.
또한, 데이터가 저장되는 어드레스 체계도 달라질 수 있다. 즉, 특정 인터페이스를 선택하면 그에 대응하는 어드레스 체계로 리드 및 라이트 동작이 수행될 수 있다.Additionally, the address system in which data is stored may also vary. That is, when a specific interface is selected, read and write operations can be performed using the corresponding address system.
뱅크 컨트롤러(Bc)는 특정 클럭 주파수로 동작할 수 있다. 예를 들어, 셀 어레이(Ca)가 SRAM 셀 어레이인 경우에는 일반적인 SRAM의 동작 클럭 주파수로 뱅크 컨트롤러(Bc)가 동작할 수 있다. The bank controller (Bc) can operate at a specific clock frequency. For example, when the cell array Ca is an SRAM cell array, the bank controller Bc can operate at a typical SRAM operating clock frequency.
제1 경로 유닛(P1)은 뱅크 컨트롤러(Bc)와 연결될 수 있다. 제1 경로 유닛(P1)은 셀 어레이(Ca)의 데이터를 제1 프로세싱 유닛(100a)과 직접 교환할 수 있다. 이때, “직접”이란 글로벌 인터커넥션(6000)을 거치지 않고 서로 교환됨을 의미할 수 있다. 즉, 제1 프로세싱 유닛(100a)은 제1 L0 메모리(120a)와 직접 데이터를 교환할 수 있고, 제1 프로세싱 유닛(100a)은 공유 메모리(2000)가 논리적으로 L0 메모리 형식으로 구현되었을 때 제1 경로 유닛(P1)을 통해서 데이터를 교환할 수 있다. 제1 경로 유닛(P1)은 도 30의 제1 L0 메모리 컨트롤러(122_1a) 및 제2 L0 메모리 컨트롤러(122_1b)를 포함한 L0 메모리 컨트롤러를 포함할 수 있다.The first path unit (P1) may be connected to the bank controller (Bc). The first path unit P1 may directly exchange data of the cell array Ca with the first processing unit 100a. At this time, “directly” may mean that they are exchanged without going through the global interconnection (6000). That is, the first processing unit 100a can directly exchange data with the
제1 경로 유닛(P1)은 멀티 사이클 싱크 패스(Multi-Cycle Sync-Path)를 구성할 수 있다. 즉, 제1 경로 유닛(P1)의 동작 클럭 주파수는 제1 프로세싱 유닛(100a)의 동작 클럭 주파수와 동일할 수 있다. 제1 L0 메모리(120a)는 제1 프로세싱 유닛(100a)의 동작과 같은 속도로 빠르게 데이터를 교환하기 위해서 제1 프로세싱 유닛(100a)의 동작 클럭 주파수와 동일한 클럭 주파수로 빠르게 데이터를 교환할 수 있다. 제1 경로 유닛(P1)도 동일하게 제1 프로세싱 유닛(100a)의 동작 클럭 주파수와 동일한 클럭 주파수로 동작할 수 있다.The first path unit P1 may configure a multi-cycle sync path. That is, the operating clock frequency of the first path unit P1 may be the same as the operating clock frequency of the first processing unit 100a. The
이때, 제1 경로 유닛(P1)의 동작 클럭 주파수는 뱅크 컨트롤러(Bc)의 동작 클럭 주파수의 배수(倍數)일 수 있다. 이 경우, 뱅크 컨트롤러(Bc)와 제1 경로 유닛(P1) 사이에 클럭의 동기화를 위한 CDC(Clock Domain Crossing) 작업이 따로 필요하지 않고, 이에 따라서 데이터 전송의 지연(delay)이 발생하지 않을 수 있다. 이에 따라서, 더 빠르고 효율적인 데이터 교환이 가능할 수 있다.At this time, the operating clock frequency of the first path unit (P1) may be a multiple of the operating clock frequency of the bank controller (Bc). In this case, a separate CDC (Clock Domain Crossing) operation for clock synchronization between the bank controller (Bc) and the first path unit (P1) is not required, and accordingly, a delay in data transmission may not occur. there is. Accordingly, faster and more efficient data exchange may be possible.
도 33에서는 예시적으로, 제1 경로 유닛(P1)의 동작 클럭 주파수는 1.5GHz일 수 있다. 이는 뱅크 컨트롤러(Bc)의 750MHz의 2배의 주파수일 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니고 뱅크 컨트롤러(Bc)의 클럭 주파수의 정수배로 제1 경로 유닛(P1)이 동작하는 경우라면 얼마든지 가능할 수 있다.In FIG. 33 , as an example, the operating clock frequency of the first path unit P1 may be 1.5 GHz. This may be twice the frequency of 750 MHz of the bank controller (Bc). However, this embodiment is not limited to this, and it may be possible as long as the first path unit (P1) operates at an integer multiple of the clock frequency of the bank controller (Bc).
제2 경로 유닛(P2)은 뱅크 컨트롤러(Bc)와 연결될 수 있다. 제2 경로 유닛(P2)은 셀 어레이(Ca)의 데이터를 제1 프로세싱 유닛(100a)과 직접 교환하지 않고, 글로벌 인터커넥션(6000)를 통해서 교환할 수 있다. 즉, 제1 프로세싱 유닛(100a)은 글로벌 인터커넥션(6000) 및 제2 경로 유닛(P2)을 통해서 셀 어레이(Ca)와 데이터를 교환할 수 있다. 이때, 셀 어레이(Ca)는 단순히 제1 프로세싱 유닛(100a)뿐만 아니라 다른 뉴럴 코어와도 데이터를 교환할 수 있다. The second path unit (P2) may be connected to the bank controller (Bc). The second path unit P2 may exchange data of the cell array Ca through the
즉, 제2 경로 유닛(P2)은 제1 메모리 뱅크(2110a)가 논리적으로 글로벌 메모리 형식으로 구현되었을 때 셀 어레이(Ca)와 모든 뉴럴 코어와의 데이터 교환 경로일 수 있다. 제2 경로 유닛(P2)은 도 22의 글로벌 컨트롤러(2200)를 포함할 수 있다.That is, the second path unit P2 may be a data exchange path between the cell array Ca and all neural cores when the
제2 경로 유닛(P2)은 어싱크 패스(Async-Path)를 구성할 수 있다. 제2 경로 유닛(P2)의 동작 클럭 주파수는 글로벌 인터커넥션(6000)의 동작 클럭 주파수와 동일할 수 있다. 제2 경로 유닛(P2)도 동일하게 글로벌 인터커넥션(6000)의 동작 클럭 주파수와 동일한 클럭 주파수로 동작할 수 있다.The second path unit (P2) may configure an Async-Path. The operating clock frequency of the second path unit P2 may be the same as the operating clock frequency of the
이때, 제2 경로 유닛(P2)의 동작 클럭 주파수는 뱅크 컨트롤러(Bc)의 동작 클럭 주파수와 서로 동기화되지 않을 수 있다. 이 경우, 뱅크 컨트롤러(Bc)와 제2 경로 유닛(P2) 사이에 클럭의 동기화를 위한 CDC(Clock Domain Crossing) 작업이 필요할 수 있다. 뱅크 컨트롤러(Bc)의 동작 클럭 주파수와 제2 경로 유닛(P2)의 동작 클럭 주파수를 서로 동기화 시키지 않는 경우에는 클럭 도메인의 설계의 자유도가 높아질 수 있다. 따라서, 하드웨어 설계의 난이도가 낮아져 더욱 용이하게 하드웨어 동작을 도출할 수 있다.At this time, the operating clock frequency of the second path unit (P2) may not be synchronized with the operating clock frequency of the bank controller (Bc). In this case, a Clock Domain Crossing (CDC) operation may be required to synchronize clocks between the bank controller (Bc) and the second path unit (P2). If the operating clock frequency of the bank controller (Bc) and the operating clock frequency of the second path unit (P2) are not synchronized with each other, the degree of freedom in designing the clock domain may increase. Accordingly, the difficulty of hardware design is lowered and hardware operations can be derived more easily.
뱅크 컨트롤러(Bc)는 제1 경로 유닛(P1)을 통해서 데이터를 교환하는 경우와 제2 경로 유닛(P2)을 통해서 데이터를 교환하는 경우에 서로 다른 어드레스 체계를 이용할 수 있다. 즉, 뱅크 컨트롤러(Bc)는 제1 경로 유닛(P1)을 통해서는 제1 어드레스 체계를 이용하고, 제2 경로 유닛(P2)을 통해서는 제2 어드레스 체계를 이용할 수 있다. 이때, 제1 어드레스 체계와 제2 어드레스 체계는 서로 다를 수 있다.The bank controller Bc may use different address systems when exchanging data through the first path unit P1 and when exchanging data through the second path unit P2. That is, the bank controller Bc can use the first address system through the first path unit P1 and the second address system through the second path unit P2. At this time, the first address system and the second address system may be different from each other.
뱅크 컨트롤러(Bc)는 반드시 메모리 뱅크별로 존재할 필요는 없다. 즉, 뱅크 컨트롤러(Bc)는 스케쥴링을 위한 부분이 아니라 신호를 전달하는 역할을 하므로, 2개의 포트를 가지는 각각의 메모리 뱅크에 필수적인 부분은 아니다. 따라서, 하나의 뱅크 컨트롤러(Bc)가 여러 메모리 뱅크를 제어할 수 있다. 여러 메모리 뱅크는 뱅크 컨트롤러(Bc)에 의해 제어되더라도 독립적으로 동작할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.The bank controller (Bc) does not necessarily need to exist for each memory bank. In other words, the bank controller (Bc) is not a part for scheduling but serves to transmit signals, so it is not an essential part for each memory bank with two ports. Therefore, one bank controller (Bc) can control multiple memory banks. Multiple memory banks can operate independently although controlled by the bank controller (Bc). However, this embodiment is not limited to this.
물론, 뱅크 컨트롤러(Bc)는 각 메모리 뱅크별로 존재할 수도 있다. 이 경우, 뱅크 컨트롤러(Bc)가 각각의 메모리 뱅크를 개별적으로 제어할 수 있다.Of course, a bank controller (Bc) may exist for each memory bank. In this case, the bank controller Bc can individually control each memory bank.
도 32 및 도 33를 참조하면, 제1 메모리 유닛(210a)이 제1 경로 유닛(P1)을 통해서 데이터를 교환하는 경우 제1 어드레스 체계를 사용하고, 제2 경로 유닛(P2)을 통해서 데이터를 교환하는 경우 제2 어드레스 체계를 사용할 수 있다. 유사하게, 제2 메모리 유닛(210b)이 제1 경로 유닛(P1)을 통해서 데이터를 교환하는 경우 제3 어드레스 체계를 사용하고, 제2 경로 유닛(P2)을 통해서 데이터를 교환하는 경우 제2 어드레스 체계를 사용할 수 있다. 이때, 제1 어드레스 체계와 제3 어드레스 체계는 서로 동일할 수 있다. 단, 본 실시예가 이에 제한되는 것은 아니다.Referring to FIGS. 32 and 33, when the first memory unit 210a exchanges data through the first path unit (P1), the first address system is used and data is exchanged through the second path unit (P2). In case of exchange, a second address system can be used. Similarly, when the second memory unit 210b exchanges data through the first path unit P1, a third address system is used, and when data is exchanged through the second path unit P2, the second address system is used. You can use the system. At this time, the first address system and the third address system may be the same. However, this embodiment is not limited to this.
제1 어드레스 체계와 제3 어드레스 체계는 각각 제1 프로세싱 유닛(100a) 및 제2 프로세싱 유닛(100b)에 각각 전용으로 사용될 수 있다. 제2 어드레스 체계는 제1 프로세싱 유닛(100a) 및 제2 프로세싱 유닛(100b)에 공용으로 적용될 수 있다.The first address system and the third address system may be used exclusively for the first processing unit 100a and the second processing unit 100b, respectively. The second address system may be commonly applied to the first processing unit 100a and the second processing unit 100b.
도 33에서는 예시적으로, 제2 경로 유닛(P2)의 동작 클럭 주파수는 1GHz로 동작할 수 있다. 이는 뱅크 컨트롤러(Bc)의 750MHz의 동작 클럭 주파수와 동기화 되지 않은 주파수일 수 있다. 즉, 제2 경로 유닛(P2)의 동작 클럭 주파수는 뱅크 컨트롤러(Bc)의 동작 클럭 주파수에 전혀 종속되지 않고 자유롭게 설정될 수 있다.In FIG. 33 , as an example, the operating clock frequency of the second path unit P2 may operate at 1 GHz. This may be a frequency that is not synchronized with the 750 MHz operating clock frequency of the bank controller (Bc). That is, the operating clock frequency of the second path unit (P2) can be freely set without being at all dependent on the operating clock frequency of the bank controller (Bc).
일반적인 글로벌 메모리는 느린 SRAM(예를 들어, 750MHz)과 그보다 빠른 글로벌 인터커넥션(예를 들어, 1GHz)를 이용하여 CDC 작업에 따른 지연이 발생할 수밖에 없었다. 이에 반해서, 본 발명의 몇몇 실시예들에 따른 공유 메모리(2000)는 제2 경로 유닛(P2) 외에도 제1 경로 유닛(P1)을 이용할 여지가 있어 CDC 작업에 따른 지연을 회피할 수 있다. Typical global memory uses slow SRAM (e.g., 750 MHz) and faster global interconnection (e.g., 1 GHz), which inevitably causes delays due to CDC operations. In contrast, the shared
또한, 일반적인 글로벌 메모리는 복수의 뉴럴 코어가 하나의 글로벌 인터커넥션(6000)를 이용하므로 데이터 전송량이 동시에 발생하였을 때 전체적인 처리 속도의 저하가 쉽게 발생할 수 있다. 이에 반해서, 본 발명의 몇몇 실시예들에 따른 공유 메모리(2000)는 제2 경로 유닛(P2) 외에도 제1 경로 유닛(P1)을 이용할 여지가 있어 글로벌 컨트롤러(2200)에 몰리는 데이터 처리량을 적절하게 분산하는 효과도 얻을 수 있다.In addition, since a typical global memory uses a single
도 34는 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 장치의 소프트웨어 계층 구조를 설명하기 위한 블록도이다.Figure 34 is a block diagram illustrating the software hierarchy of a neural processing device according to some embodiments of the present invention.
도 34를 참조하면, 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 장치의 소프트웨어 계층 구조는 DL 프레임워크(10000), 컴파일러 스택(20000) 및 백엔드 모듈(30000)을 포함할 수 있다.Referring to FIG. 34, the software layer structure of a neural processing device according to some embodiments of the present invention may include a
DL 프레임워크(10000)는 사용자가 사용하는 딥러닝 모델 네트워크에 대한 프레임워크를 의미할 수 있다. 예를 들어, 텐서플로우나 파이토치와 같은 프로그램을 이용하여 학습이 완료된 뉴럴 네트워크가 생성될 수 있다.The DL framework (10000) may refer to a framework for a deep learning model network used by users. For example, a fully trained neural network can be created using programs such as TensorFlow or PyTorch.
컴파일러 스택(20000)은 어댑테이션 레이어(21000), 컴퓨트 라이브러리(22000), 프론트엔드 컴파일러(23000), 백엔드 컴파일러(24000) 및 런타임 드라이버(25000)를 포함할 수 있다.The
어댑테이션 레이어(21000)는 DL 프레임워크(10000)에 접하는 레이어일 수 있다. 어댑테이션 레이어(21000)는 DL 프레임워크(10000)에서 생성된 유저의 신경망 모델을 양자화시키고 그래프 수정을 할 수 있다. 또한, 어댑테이션 레이어(21000)는 모델의 타입을 필요한 타입으로 변환시킬 수 있다.The adaptation layer (21000) may be a layer in contact with the DL framework (10000). The adaptation layer (21000) can quantize the user's neural network model created in the DL framework (10000) and modify the graph. Additionally, the
프론트엔드 컴파일러(23000)는 어댑테이션 레이어(21000)에서 전달받은 다양한 신경망 모델 및 그래프를 일정한 중간 표현(intermediate representation, IR)으로 변환해줄 수 있다. 변환된 IR은 추후 백엔드 컴파일러(24000)에서 다루기 쉬운 미리 설정된 표현일 수 있다. The front-end compiler (23000) can convert various neural network models and graphs received from the adaptation layer (21000) into a certain intermediate representation (IR). The converted IR may be a preset expression that is easy to handle later in the
이러한, 프론트엔드 컴파일러(23000)의 IR은 그래프 차원에서 미리 할 수 있는 최적화가 수행될 수 있다. 또한, 프론트엔드 컴파일러(23000)는 하드웨어에 최적화된 레이아웃으로 변환시키는 작업을 통해서 최종적으로 IR을 생성할 수 있다.The IR of the front-
벡엔드 컴파일러(24000)는 프론트엔드 컴파일러(23000)에서 변환된 IR을 최적화하고 바이너리 파일로 변환하여 런타임 드라이버가 사용할 수 있게 한다. 백엔드 컴파일러(24000)는 하드웨어의 세부 사항에 맞는 스케일로 잡(job)을 분할하여 최적화된 코드를 생성할 수 있다. The backend compiler (24000) optimizes the IR converted from the frontend compiler (23000) and converts it into a binary file so that the runtime driver can use it. The back-end compiler (24000) can generate optimized code by dividing the job at a scale that matches the details of the hardware.
컴퓨트 라이브러리(22000)는 여러가지 오퍼레이션 중에 하드웨어에 적합한 형태로 설계된 템플릿 오퍼레이션을 저장할 수 있다. 컴퓨트 라이브러리(22000)는 하드웨어가 필요한 여러 템플릿 오퍼레이션을 벡엔드 컴파일러(24000)에 제공하여 최적화된 코드가 생성될 수 있게 한다.The
런타임 드라이버(25000)는 구동 중에 계속해서 모니터링을 수행하여 본 발명의 몇몇 실시예들에 따른 뉴럴 네트워크 장치의 구동을 수행할 수 있다. 구체적으로, 뉴럴 네트워크 장치의 인터페이스의 실행을 담당할 수 있다.The
백엔드 모듈(30000)는 ASIC(Application Specific Integrated Circuit)(31000), FPGA(Field programmable gate array)(32000) 및 C-model(33000)을 포함할 수 있다. ASIC(31000)은 미리 결정된 설계 방식에 따라 결정되는 하드웨어 칩을 의미할 수 있다. FPGA(32000)는 프로그래밍이 가능한 하드웨어 칩일 수 있다. C-model(33000)은 소프트웨어 상에 하드웨어를 모사하여 구현한 모델을 의미할 수 있다.The
백엔드 모듈(30000)은 컴파일러 스택(20000)을 통해서 생성된 바이너리 코드를 이용하여 다양한 작업을 수행하고 결과를 도출할 수 있다.The
도 35는 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 장치가 수행하는 딥 러닝 연산을 설명하기 위한 개념도이다.Figure 35 is a conceptual diagram to explain a deep learning operation performed by a neural processing device according to some embodiments of the present invention.
도 35를 참조하면, 인공신경망 모델(40000)은, 기계학습 모델의 일 예로서, 기계학습(Machine Learning) 기술과 인지과학에서, 생물학적 신경망의 구조에 기초하여 구현된 통계학적 학습 알고리즘 또는 그 알고리즘을 실행하는 구조이다.Referring to FIG. 35, the artificial
인공신경망 모델(40000)은, 생물학적 신경망에서와 같이 시냅스의 결합으로 네트워크를 형성한 인공 뉴런인 노드(Node)들이 시냅스의 웨이트를 반복적으로 조정하여, 특정 입력에 대응한 올바른 출력과 추론된 출력 사이의 오차가 감소되도록 학습함으로써, 문제 해결 능력을 가지는 기계학습 모델을 나타낼 수 있다. 예를 들어, 인공신경망 모델(40000)은 기계 학습, 딥러닝 등의 인공지능 학습법에 사용되는 임의의 확률 모델, 뉴럴 네트워크 모델 등을 포함할 수 있다.In the artificial neural network model (40000), as in a biological neural network, nodes, which are artificial neurons that form a network through the combination of synapses, repeatedly adjust the weight of the synapse, creating a gap between the correct output corresponding to a specific input and the inferred output. By learning to reduce the error of , a machine learning model with problem-solving capabilities can be expressed. For example, the artificial
본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 장치는 이러한 인공신경망 모델(40000)의 형태를 구현하여 연산을 수행할 수 있다. 예를 들어, 인공신경망 모델(40000)은 입력 영상을 수신하고, 입력 영상에 포함된 대상의 적어도 일부에 대한 정보를 출력할 수 있다.A neural processing device according to some embodiments of the present invention may perform calculations by implementing this type of artificial neural network model (40000). For example, the artificial
인공신경망 모델(40000)은 다층의 노드들과 이들 사이의 연결로 구성된 다층 퍼셉트론(MLP: multilayer perceptron)으로 구현된다. 본 실시예에 따른 인공신경망 모델(40000)은 MLP를 포함하는 다양한 인공신경망 모델 구조들 중의 하나를 이용하여 구현될 수 있다. 도 35에 도시된 바와 같이, 인공신경망 모델(40000)은, 외부로부터 입력 신호 또는 데이터(40100)를 수신하는 입력층(41000), 입력 데이터에 대응한 출력 신호 또는 데이터(40200)를 출력하는 출력층(44000), 입력층(41000)과 출력층(44000) 사이에 위치하며 입력층(41000)으로부터 신호를 받아 특성을 추출하여 출력층(44000)으로 전달하는 n개(여기서, n은 양의 정수)의 은닉층(42000 내지 43000)으로 구성된다. 여기서, 출력층(44000)은 은닉층(42000 내지 43000)으로부터 신호를 받아 외부로 출력한다.The artificial neural network model (40000) is implemented as a multilayer perceptron (MLP) consisting of multiple layers of nodes and connections between them. The artificial
인공신경망 모델(40000)의 학습 방법에는, 교사 신호(정답)의 입력에 의해서 문제의 해결에 최적화되도록 학습하는 지도 학습(Supervised Learning) 방법과, 교사 신호를 필요로 하지 않는 비지도 학습(Unsupervised Learning) 방법이 있다. The learning methods of the artificial neural network model (40000) include supervised learning, which learns to optimize problem solving by inputting teacher signals (correct answers), and unsupervised learning, which does not require teacher signals. ) There is a way.
뉴럴 프로세싱 장치는 인공신경망 모델(40000)을 학습시키기 위한 학습 데이터를 시뮬레이션을 통해 직접 생성할 수 있다. 이와 같이, 인공신경망 모델(40000)의 입력층(41000)과 출력층(44000)에 복수의 입력변수와 대응되는 복수의 출력변수가 각각 매칭되고, 입력층(41000), 은닉층(42000 내지 43000) 및 출력층(44000)에 포함된 노드들 사이의 시냅스 값이 조정됨으로써, 특정 입력에 대응한 올바른 출력이 추출될 수 있도록 학습될 수 있다. 이러한 학습 과정을 통해, 인공신경망 모델(40000)의 입력변수에 숨겨져 있는 특성을 파악할 수 있고, 입력변수에 기초하여 계산된 출력변수와 목표 출력 간의 오차가 줄어들도록 인공신경망 모델(40000)의 노드들 사이의 시냅스 값(또는 웨이트)을 조정할 수 있다.The neural processing device can directly generate learning data for training the artificial neural network model (40000) through simulation. In this way, a plurality of input variables and a plurality of output variables corresponding to the
도 36은 본 발명의 몇몇 실시예들에 따른 뉴럴 프로세싱 장치의 뉴럴 네트워크의 학습 및 추론 동작을 설명하기 위한 개념도이다.FIG. 36 is a conceptual diagram illustrating learning and inference operations of a neural network of a neural processing device according to some embodiments of the present invention.
도 36을 참조하면, 학습 과정(Training Phase)에서는 다수의 학습 자료(TD)들이 인공신경망 모델(NN)로 포워딩되고, 다시 백워딩되는 과정을 거칠 수 있다. 이를 통해서 인공신경망 모델(NN)의 각 노드의 웨이트와 바이어스들이 조율되고 이를 통해서 점점 더욱 정확한 결과를 도출할 수 있게 학습이 수행될 수 있다. 이렇게 학습 과정(Training Phase)을 통해서 인공신경망 모델(NN)은 학습된 신경망 모델(NN_T)로 변환될 수 있다. Referring to FIG. 36, in the training phase, a number of learning data (TD) may be forwarded to the artificial neural network model (NN) and then forwarded back again. Through this, the weights and biases of each node of the artificial neural network model (NN) are adjusted, and through this, learning can be performed to produce increasingly accurate results. Through this learning process (Training Phase), the artificial neural network model (NN) can be converted into a learned neural network model (NN_T).
추론 과정(Inference Phase)에서는 새로운 데이터(ND)가 다시 학습된 신경망 모델(NN_T)로 입력될 수 있다. 학습된 신경망 모델(NN_T)은 새로운 데이터(ND)를 입력으로 하여 이미 학습된 웨이트와 바이어스를 통해서 결과 데이터(RD)를 도출할 수 있다. 이러한 결과 데이터(RD)는 학습 과정(Training Phase)에서 어떤 학습 자료(TD)로 학습하였는지와, 얼마나 많은 학습 자료(TD)를 이용하였는지가 중요할 수 있다.In the inference phase, new data (ND) can be input back into the learned neural network model (NN_T). The learned neural network model (NN_T) can take new data (ND) as input and derive result data (RD) through already learned weights and biases. This result data (RD) may be important in terms of which learning materials (TD) were used in the training process (Training Phase) and how much learning materials (TD) were used.
이하, 도 37 및 도 38을 참조하여, 본 발명의 몇몇 실시예들에 따른 뉴럴 코어의 태스크 모니터링 방법을 설명한다. 실시예에 따른 태스크 모니터링 방법은 상술한 실시예에 따른 뉴럴 코어에서 수행되는 방법으로 상술한 실시예와 중복되는 부분은 생략하거나, 간략히 한다. 또한, 도 1 내지 도 36 및 관련된 설명이 본 실시예의 설명을 위해 참조될 수 있다.Hereinafter, with reference to FIGS. 37 and 38, a task monitoring method of a neural core according to some embodiments of the present invention will be described. The task monitoring method according to the embodiment is a method performed in the neural core according to the above-described embodiment, and parts that overlap with the above-described embodiment are omitted or simplified. Additionally, FIGS. 1 to 36 and related descriptions may be referred to for description of the present embodiment.
도 37은 본 발명의 몇몇 실시예들에 따른 뉴럴 코어의 태스크 모니터링 방법을 설명하기 위한 순서도이고, 도 38은 도 37의 완료 리포트를 생성하는 단계를 세부적으로 설명하기 위한 순서도이다. FIG. 37 is a flowchart illustrating a task monitoring method of a neural core according to some embodiments of the present invention, and FIG. 38 is a flowchart illustrating in detail the step of generating a completion report of FIG. 37.
도 37을 참조하면, 실시예에 따른 태스크 모니터링 방법은 태스크 디스크립터에 대응하는 태스크 정보를 생성하고, 태스크 정보를 뉴럴 코어로 제공하는 단계(S100); 뉴럴 코어의 태스크 수행 시간을 모니터링하여 타임아웃 디텍션 신호를 생성하는 단계(S200); 및 태스크 디텍션 신호에 따라 타임아웃 리포트를 생성하는 단계(S300)를 포함한다. Referring to FIG. 37, the task monitoring method according to the embodiment includes generating task information corresponding to a task descriptor and providing the task information to the neural core (S100); Monitoring the task execution time of the neural core and generating a timeout detection signal (S200); and generating a timeout report according to the task detection signal (S300).
또한, 도 37을 참조하면, 몇몇 실시예에 따른 태스크 모니터링 방법은 뉴럴 코어로부터 태스크의 완료 신호를 수신하여 완료 신호에 따라 체크아웃 리포트를 생성하는 단계(S400); 체크아웃 리포트 및 타임아웃 리포트에 기초하여 완료 리포트를 생성하는 단계(S500); 및 완료 리포트를 커맨드 프로세서로 전달하는 단계(S600)를 더 포함할 수 있다.Additionally, referring to FIG. 37, a task monitoring method according to some embodiments includes receiving a task completion signal from a neural core and generating a checkout report according to the completion signal (S400); Generating a completion report based on the checkout report and timeout report (S500); and transmitting the completion report to the command processor (S600).
몇몇 실시예에서, 상기 태스크는 상기 완료 리포트가 생성되도록 설정된 제1 태스크 및 상기 완료 리포트가 생성되지 않도록 설정된 제2 태스크를 포함하고, 상기 태스크 디스크립터에 대응하는 태스크 정보를 생성하고, 상기 태스크 정보를 뉴럴 코어로 제공하는 단계(S100)는, 상기 제1 태스크에 대응하는 제1 태스크 디스크립터와 상기 제2 태스크에 대응하는 제2 태스크 디스크립터를 제1 체크인 버퍼와 제2 체크인 버퍼에 각각 체크인하는 것을 포함할 수 있다. In some embodiments, the task includes a first task configured to generate the completion report and a second task configured to not generate the completion report, generates task information corresponding to the task descriptor, and generates the task information. The step of providing to the neural core (S100) includes checking in a first task descriptor corresponding to the first task and a second task descriptor corresponding to the second task into a first check-in buffer and a second check-in buffer, respectively. can do.
몇몇 실시예에서, 상기 타임아웃 리포트를 생성하는 단계(S300)에서, 상기 제2 태스크에 대한 타임 아웃 리포트가 생성되는 경우, 상기 완료 리포트를 생성하는 단계(S500)는, 상기 제2 태스크 디스크립터가 완료 리포트를 생성하도록 수정하는 것을 포함할 수 있다.In some embodiments, in the step of generating the timeout report (S300), if a timeout report for the second task is generated, the step of generating the completion report (S500) may include the second task descriptor. This may include modifications to generate a completion report.
몇몇 실시예에서, 상기 타임아웃 디텍션 신호를 생성하는 단계(S200)는 상기 수행 시간과 임계 시간을 비교하여 상기 타임아웃 디텍션 신호의 생성 여부를 결정하는 것을 포함할 수 있다. In some embodiments, the step of generating the timeout detection signal (S200) may include comparing the execution time and a threshold time to determine whether to generate the timeout detection signal.
몇몇 실시예에서, 상기 타임아웃 리포트의 생성 여부 및 상기 수행 시간에 대한 임계값은 상기 태스크에 따라 개별적으로 설정될 수 있다.In some embodiments, thresholds for whether to generate the timeout report and the execution time may be individually set according to the task.
몇몇 실시예에서, 태스크 모니터링 방법은 이벤트 감지 신호에 따라 이벤트 리포트를 생성하는 단계를 더 포함할 수 있다. In some embodiments, the task monitoring method may further include generating an event report according to an event detection signal.
도 38을 참조하면, 몇몇 실시예에서, 상기 완료 리포트를 생성하는 단계(S500)는 상기 타임아웃 리포트를 타임아웃 리포트 큐에 저장하고, 상기 체크아웃 리포트를 상기 체크아웃 리포트 큐에 저장하며, 이벤트 감지 장치로부터 제공되는 이벤트 리포트를 이벤트 리포트 큐에 저장하는 단계(S510); 및 상기 타임아웃 리포트 큐의 상태, 상기 체크아웃 리포트 큐의 상태, 및 상기 이벤트 리포트 큐의 상태 중 적어도 하나를 모니터링하는 단계(S520)를 포함할 수 있다. 또한, 상기 완료 리포트를 생성하는 단계(S500)는 타임아웃 리포트 큐의 상태, 상기 체크아웃 리포트 큐의 상태, 및 상기 이벤트 리포트 큐의 상태 중 적어도 하나가 포화 상태로 확인되는 경우, 런타임 핸들을 통해 태스크 패시지의 동작을 정지하는 단계(S530)를 더 포함할 수 있다.Referring to FIG. 38, in some embodiments, the step of generating the completion report (S500) includes storing the timeout report in the timeout report queue, storing the checkout report in the checkout report queue, and event Storing an event report provided from a detection device in an event report queue (S510); and monitoring at least one of the status of the timeout report queue, the status of the checkout report queue, and the status of the event report queue (S520). In addition, in the step of generating the completion report (S500), when at least one of the state of the timeout report queue, the state of the checkout report queue, and the state of the event report queue is confirmed to be saturated, the step of generating the completion report is performed through a runtime handle. A step of stopping the operation of the task passage (S530) may be further included.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.The above description is merely an illustrative explanation of the technical idea of the present embodiment, and those skilled in the art will be able to make various modifications and variations without departing from the essential characteristics of the present embodiment. Accordingly, the present embodiments are not intended to limit the technical idea of the present embodiment, but rather to explain it, and the scope of the technical idea of the present embodiment is not limited by these examples. The scope of protection of this embodiment should be interpreted in accordance with the claims below, and all technical ideas within the equivalent scope should be interpreted as being included in the scope of rights of this embodiment.
Claims (20)
상기 태스크 정보를 상기 코어 글로벌로부터 수신하고, 상기 태스크 정보에 따른 태스크를 수행하여 상기 태스크의 완료에 대한 완료 신호를 생성하는 뉴럴 코어; 및
상기 뉴럴 코어의 상기 태스크에 대한 수행 시간을 모니터링하여 타임아웃 디텍션 신호를 생성하고, 상기 타임아웃 디텍션 신호에 따라 타임아웃 리포트를 생성하는 태스크 매니저를 포함하는,
뉴럴 프로세서.
A core global that generates task information corresponding to the task descriptor;
a neural core that receives the task information from the core global, performs a task according to the task information, and generates a completion signal for completion of the task; and
A task manager that monitors the execution time of the task of the neural core, generates a timeout detection signal, and generates a timeout report according to the timeout detection signal.
Neural processor.
상기 코어 글로벌은 상기 뉴럴 코어로부터 상기 태스크의 완료 신호를 수신하고,
상기 태스크 매니저는 상기 코어 글로벌로부터 상기 완료 신호를 수신하여 완료 리포트를 생성하며,
상기 타임아웃 리포트는 상기 완료 리포트에 포함되어 커맨드 프로세서로 전달되는,
뉴럴 프로세서.
According to claim 1,
The core global receives a completion signal of the task from the neural core,
The task manager receives the completion signal from the core global and generates a completion report,
The timeout report is included in the completion report and transmitted to the command processor,
Neural processor.
상기 태스크는 상기 완료 리포트가 생성되도록 설정된 제1 태스크 및 상기 완료 리포트가 생성되지 않도록 설정된 제2 태스크를 포함하고,
상기 태스크 매니저는 상기 제1 태스크에 대응하는 제1 태스크 디스크립터와 상기 제2 태스크에 대응하는 제2 태스크 디스크립터를 제1 체크인 버퍼와 제2 체크인 버퍼에 각각 체크인하는,
뉴럴 프로세서.
According to clause 2,
The task includes a first task configured to generate the completion report and a second task configured to not generate the completion report,
The task manager checks in a first task descriptor corresponding to the first task and a second task descriptor corresponding to the second task into a first check-in buffer and a second check-in buffer, respectively.
Neural processor.
상기 태스크 매니저는 상기 제2 태스크에 대한 타임아웃 리포트가 생성되는 경우, 상기 제2 태스크 디스크립터가 완료 리포트를 생성하도록 수정하는,
뉴럴 프로세서.
According to clause 3,
The task manager modifies the second task descriptor to generate a completion report when a timeout report for the second task is generated.
Neural processor.
상기 태스크 매니저는 상기 수행 시간과 임계 시간을 비교하여 상기 타임아웃 디텍션 신호의 생성 여부를 결정하는,
뉴럴 프로세서.
According to clause 2,
The task manager compares the execution time and the threshold time to determine whether to generate the timeout detection signal.
Neural processor.
상기 임계 시간은 상기 태스크에 따라 개별적으로 설정되는,
뉴럴 프로세서.
According to clause 5,
The threshold time is individually set according to the task,
Neural processor.
상기 태스크 매니저는,
상기 태스크에 대한 태스크 디스크립터를 생성하고, 상기 태스크 디스크립터에 따른 상기 태스크 정보를 상기 코어 글로벌로 전달하는 태스크 패시지; 및
상기 태스크 디스크립터를 상기 태스크 패시지로부터 체크인하고, 상기 완료 신호를 상기 코어 글로벌로부터 수신하여 완료 리포트를 생성하는 던 패시지를 포함하는,
뉴럴 프로세서.
According to claim 1,
The task manager is,
a task passage that creates a task descriptor for the task and delivers the task information according to the task descriptor to the core global; and
Comprising a Dawn passage that checks in the task descriptor from the task passage, receives the completion signal from the core global, and generates a completion report,
Neural processor.
상기 던 패시지는,
상기 태스크 디스크립터를 수신하여 체크인하고, 상기 완료 신호를 수신하여 상기 태스크 디스크립터에 연동시키는 체크인 버퍼;
상기 완료 신호에 따라 상기 태스크 디스크립터를 체크아웃하고, 상기 체크아웃에 대한 체크아웃 리포트를 생성하는 디펜던시 세터;
상기 타임아웃 디텍션 신호를 생성하고 상기 타임아웃 디텍션 신호에 따라 상기 타임아웃 리포트를 생성하는 타임아웃 모니터; 및
상기 체크아웃 리포트를 수신하여 상기 완료 리포트를 생성하며, 상기 완료 리포트를 커맨드 프로세서로 전달하는 리포팅 매니징 모듈을 포함하는,
뉴럴 프로세서.
According to clause 7,
The Dawn Passage is,
a check-in buffer that receives and checks in the task descriptor, receives the completion signal, and links it to the task descriptor;
a dependency setter that checks out the task descriptor according to the completion signal and generates a checkout report for the checkout;
a timeout monitor that generates the timeout detection signal and generates the timeout report according to the timeout detection signal; and
Comprising a reporting management module that receives the checkout report, generates the completion report, and transmits the completion report to a command processor,
Neural processor.
상기 태스크 패시지는 상기 태스크 디스크립터를 큐에 전송하고, 트랜스퍼 던 리포트를 생성하여 상기 리포팅 매니징 모듈에 전달하며,
상기 트랜스퍼 던 리포트는 상기 완료 리포트에 포함되어 상기 커맨드 프로세서로 전달되는,
뉴럴 프로세서.
According to clause 8,
The task passage transmits the task descriptor to a queue, generates a transfer report, and transmits it to the reporting management module,
The transfer report is included in the completion report and transmitted to the command processor,
Neural processor.
상기 던 패시지는, 이벤트 감지 신호에 따라 이벤트 리포트를 생성하는 이벤트 모니터를 더 포함하는,
뉴럴 프로세서.
According to clause 9,
The Dawn Passage further includes an event monitor that generates an event report according to an event detection signal,
Neural processor.
상기 리포팅 매니징 모듈은,
상기 완료 리포트를 생성하는 리포팅 매니저;
상기 이벤트 리포트를 수신하고, 상기 수신된 이벤트 리포트를 상기 리포팅 매니저에 전달하는 이벤트 리포트 큐;
상기 타임아웃 리포트를 수신하고, 상기 수신된 타임아웃 리포트를 상기 리포팅 매니저에 전달하는 타임아웃 리포트 큐;
상기 체크아웃 리포트를 수신하고, 상기 수신된 타임아웃 리포트를 상기 리포팅 매니저에 전달하는 체크아웃 리포트 큐; 및
상기 트랜스퍼 던 리포트를 수신하고, 상기 수신된 트랜스퍼 던 리포트를 상기 리포팅 매니저에 전달하는 트랜스퍼 리포트 큐를 포함하는,
뉴럴 프로세서.
According to claim 10,
The reporting management module is,
a reporting manager that generates the completion report;
an event report queue that receives the event report and delivers the received event report to the reporting manager;
a timeout report queue that receives the timeout report and delivers the received timeout report to the reporting manager;
a checkout report queue that receives the checkout report and delivers the received timeout report to the reporting manager; and
Comprising a transfer report queue that receives the transfer report and delivers the received transfer report to the reporting manager,
Neural processor.
상기 리포팅 매니저는,
상기 타임아웃 리포트 큐의 상태, 상기 체크아웃 리포트 큐의 상태, 및 상기 이벤트 리포트 큐의 상태 중 적어도 하나를 모니터링하는,
뉴럴 프로세서.
According to claim 11,
The reporting manager,
Monitoring at least one of the state of the timeout report queue, the state of the checkout report queue, and the state of the event report queue,
Neural processor.
상기 뉴럴 코어의 상기 태스크에 대한 수행 시간을 모니터링하여 타임아웃 디텍션 신호를 생성하는 단계; 및
상기 타임아웃 디텍션 신호에 따라 타임아웃 리포트를 생성하는 단계를 포함하는,
뉴럴 프로세서의 태스크 모니터링 방법.
Generating task information corresponding to a task descriptor and providing the task information to a neural core;
generating a timeout detection signal by monitoring the execution time of the neural core for the task; and
Including generating a timeout report according to the timeout detection signal,
A task monitoring method for neural processors.
상기 뉴럴 코어로부터 상기 태스크의 완료 신호를 수신하여 상기 완료 신호에 따라 체크아웃 리포트를 생성하는 단계;
상기 체크아웃 리포트 및 상기 타임아웃 리포트에 기초하여 완료 리포트를 생성하는 단계; 및
상기 완료 리포트를 커맨드 프로세서로 전달하는 단계를 더 포함하는,
뉴럴 프로세서의 태스크 모니터링 방법.
According to claim 13,
receiving a completion signal of the task from the neural core and generating a checkout report according to the completion signal;
generating a completion report based on the checkout report and the timeout report; and
Further comprising transmitting the completion report to a command processor,
A task monitoring method for neural processors.
상기 태스크는 상기 완료 리포트가 생성되도록 설정된 제1 태스크 및 상기 완료 리포트가 생성되지 않도록 설정된 제2 태스크를 포함하고,
상기 태스크 디스크립터에 대응하는 태스크 정보를 생성하고, 상기 태스크 정보를 뉴럴 코어로 제공하는 단계는,
상기 제1 태스크에 대응하는 제1 태스크 디스크립터와 상기 제2 태스크에 대응하는 제2 태스크 디스크립터를 제1 체크인 버퍼와 제2 체크인 버퍼에 각각 체크인하는 것을 포함하는,
뉴럴 프로세서의 태스크 모니터링 방법.
According to claim 14,
The task includes a first task configured to generate the completion report and a second task configured to not generate the completion report,
The step of generating task information corresponding to the task descriptor and providing the task information to the neural core,
Comprising checking in a first task descriptor corresponding to the first task and a second task descriptor corresponding to the second task into a first check-in buffer and a second check-in buffer, respectively.
A task monitoring method for neural processors.
상기 타임아웃 리포트를 생성하는 단계에서, 상기 제2 태스크에 대한 타임 아웃 리포트가 생성되는 경우,
상기 완료 리포트를 생성하는 단계는, 상기 제2 태스크 디스크립터가 완료 리포트를 생성하도록 수정하는 것을 포함하는,
뉴럴 프로세서의 태스크 모니터링 방법.
According to claim 15,
In the step of generating the timeout report, if a timeout report for the second task is generated,
The step of generating the completion report includes modifying the second task descriptor to generate a completion report,
A task monitoring method for neural processors.
상기 타임아웃 디텍션 신호를 생성하는 단계는 상기 수행 시간과 임계 시간을 비교하여 상기 타임아웃 디텍션 신호의 생성 여부를 결정하는 것을 포함하는,
뉴럴 프로세서의 태스크 모니터링 방법.
According to claim 14,
The step of generating the timeout detection signal includes comparing the execution time and the threshold time to determine whether to generate the timeout detection signal.
A task monitoring method for neural processors.
상기 타임아웃 리포트의 생성 여부 및 상기 수행 시간에 대한 임계값은 상기 태스크에 따라 개별적으로 설정되는,
뉴럴 프로세서의 태스크 모니터링 방법.
According to claim 17,
Thresholds for whether to generate the timeout report and the execution time are individually set according to the task,
A task monitoring method for neural processors.
이벤트 감지 신호에 따라 이벤트 리포트를 생성하는 단계를 더 포함하는,
뉴럴 프로세서의 태스크 모니터링 방법.
According to claim 14,
Further comprising generating an event report according to the event detection signal,
A task monitoring method for neural processors.
상기 완료 리포트를 생성하는 단계는,
상기 타임아웃 리포트를 타임아웃 리포트 큐에 저장하고, 상기 체크아웃 리포트를 상기 체크아웃 리포트 큐에 저장하며, 이벤트 감지 장치로부터 제공되는 이벤트 리포트를 이벤트 리포트 큐에 저장하는 단계; 및
상기 타임아웃 리포트 큐의 상태, 상기 체크아웃 리포트 큐의 상태, 및 상기 이벤트 리포트 큐의 상태 중 적어도 하나를 모니터링하는 단계를 포함하는,
뉴럴 프로세서의 태스크 모니터링 방법.According to clause 19,
The step of generating the completion report is,
Storing the timeout report in a timeout report queue, storing the checkout report in the checkout report queue, and storing an event report provided from an event detection device in the event report queue; and
Comprising monitoring at least one of the state of the timeout report queue, the state of the checkout report queue, and the state of the event report queue,
A task monitoring method for neural processors.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220146444A KR20240064427A (en) | 2022-11-04 | 2022-11-04 | Neural Processor and Method for Monitoring task thereof |
US18/491,695 US20240152391A1 (en) | 2022-11-04 | 2023-10-20 | Processing device and method for managing tasks thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220146444A KR20240064427A (en) | 2022-11-04 | 2022-11-04 | Neural Processor and Method for Monitoring task thereof |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20240064427A true KR20240064427A (en) | 2024-05-13 |
Family
ID=91073592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220146444A KR20240064427A (en) | 2022-11-04 | 2022-11-04 | Neural Processor and Method for Monitoring task thereof |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20240064427A (en) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102258566B1 (en) | 2021-03-22 | 2021-06-01 | 리벨리온 주식회사 | Processing element, method of operation thereof, and accelerator including the same |
-
2022
- 2022-11-04 KR KR1020220146444A patent/KR20240064427A/en unknown
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102258566B1 (en) | 2021-03-22 | 2021-06-01 | 리벨리온 주식회사 | Processing element, method of operation thereof, and accelerator including the same |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102480300B1 (en) | Neural processing device and Method for job scheduling thereof | |
KR20230102224A (en) | Neural processing device and Method for synchronization thereof | |
KR20240064427A (en) | Neural Processor and Method for Monitoring task thereof | |
KR20240064467A (en) | Task Manager, Neural processing device and Method for Managing task thereof | |
US20240152391A1 (en) | Processing device and method for managing tasks thereof | |
KR20240064460A (en) | Neural processing device and Method for Managing task thereof | |
KR20240064424A (en) | Task Manager, Neural processing device and Method for Setting task dependency thereof | |
KR102622420B1 (en) | Neural processing device and Method for dynamic frequency scaling thereof | |
KR20240064468A (en) | Task Manager, Neural processing device and Method for Checking task dependency thereof | |
KR20240064470A (en) | Task Manager, Neural processing device and Method for Processing task dependency thereof | |
US20240152392A1 (en) | Task manager, processing device, and method for checking task dependencies thereof | |
US11775437B1 (en) | Neural processing device | |
KR20240064469A (en) | Task Manager and Method for Checking task dependency thereof | |
US11966358B1 (en) | Neural processor | |
KR102480287B1 (en) | DAG modification module, processing device including same and DAG modification method of processing device | |
KR102506622B1 (en) | Method for measuring performance of neural processing device and Device for measuring performance | |
KR102607437B1 (en) | Neural processor, neural processing device including the same, and method for determining data communication mode of neural processing device | |
KR102548582B1 (en) | Neural processor and instruction fetch method thereof | |
US11861401B2 (en) | Neural processing device and method for job scheduling thereof | |
US11836082B2 (en) | Neural processing device and load/store method of neural processing device | |
US11907098B2 (en) | Method for measuring performance of neural processing device and device for measuring performance | |
KR20240007495A (en) | Neural core, Neural processing device including same and Method for loading data of neural processing device | |
KR20230142204A (en) | Neural processing device and Method for converting data thereof | |
KR102509472B1 (en) | Neural processing device and Method for using shared page table thereof | |
EP4206918A1 (en) | Neural processing device and transaction tracking method thereof |