TWI701595B - 記憶體的效能優化方法以及使用其的主機板 - Google Patents
記憶體的效能優化方法以及使用其的主機板 Download PDFInfo
- Publication number
- TWI701595B TWI701595B TW107147560A TW107147560A TWI701595B TW I701595 B TWI701595 B TW I701595B TW 107147560 A TW107147560 A TW 107147560A TW 107147560 A TW107147560 A TW 107147560A TW I701595 B TWI701595 B TW I701595B
- Authority
- TW
- Taiwan
- Prior art keywords
- memory
- optimized
- setting parameters
- artificial intelligence
- basic input
- Prior art date
Links
Images
Abstract
本發明提出一種記憶體的效能優化方法以及使用其的主機板。效能優化方法包括以下步驟:執行基本輸入輸出系統,以擷取對應於記憶體以及中央處理單元的初始設定參數;依據初始設定參數來比對儲存在基本輸入輸出系統中的最佳化設定模型;當最佳化設定模型對應於初始設定參數時,依據最佳化設定模型取得最佳化設定參數,並且當最佳化設定模型未對應於初始設定參數時,執行類神經網路運算,以取得最佳化設定參數;以及依據最佳化設定參數來運作記憶體以及中央處理單元,以降低記憶體的操作功耗。
Description
本發明是有關於一種主機板(Motherboard)的功能設計,且特別是有關於一種記憶體(Memory)的效能優化方法以及使用其的主機板。
對於一般的電腦系統來說,當使用者購入電腦主機,並且將記憶體(Memory)安裝於主機板(Motherboard)上之後,在一般狀態下,電腦系統僅能使用經由記憶體製造商預先燒錄於記憶體的串行存在檢測(Serial Presence Detect, SPD)中的相關初始記憶體設定參數,並且依據預設的初始記憶體時脈來操作記憶體。然而,若使用者利用電腦主機板所提供的調整功能來手動修改記憶體的相關參數,往往也僅是利用更大的功耗來換取記憶體處理時脈,因此無法有效率地提升記憶體效能,且同時降低記憶體的操作功耗,甚至無法確保記憶體是否工作在最穩定的狀態。有鑑於此,以下將提出幾個實施例的解決方案。
本發明提供一種記憶體的效能優化方法以及使用其的主機板,可有效地自動優化設置在主機板上的記憶體的執行效能,以有效降低記憶體的操作功耗。
本發明的記憶體的效能優化方法,適於具有基本輸入輸出系統的主機板。所述效能優化方法包括以下步驟:執行基本輸入輸出系統,以擷取對應於記憶體以及中央處理單元的多個初始設定參數;依據所述多個初始設定參數來比對儲存在基本輸入輸出系統中的多個最佳化設定模型;當所述多個最佳化設定模型的其中之一對應於所述多個初始設定參數時,依據所述多個最佳化設定模型的其中之一取得多個最佳化設定參數,並且當所述多個最佳化設定模型的任何其中之一未對應於所述多個初始設定參數時,執行類神經網路運算,以取得所述多個最佳化設定參數;以及依據所述多個最佳化設定參數來運作記憶體以及中央處理單元,以降低記憶體的操作功耗。
在本發明的一實施例中,上述的效能優化方法更包括以下步驟:藉由人工智慧引擎執行類神經網路運算,以依據多個初始設定參數組來產生所述多個最佳化設定模型;以及將所述多個最佳化設定模型寫入基本輸入輸出系統。
在本發明的一實施例中,上述的所述多個最佳化設定模型對應於相同記憶體型號以及不同記憶體操作頻率。
在本發明的一實施例中,上述的當所述多個最佳化設定模型的任何其中之一未對應於所述多個初始設定參數時,執行類神經網路運算,以取得所述多個最佳化設定參數的步驟包括:藉由人工智慧引擎執行類神經網路運算,以依據所述多個初始設定參數來訓練至少一新的最佳化設定模型;將所述至少一新的最佳化設定模型寫入基本輸入輸出系統;以及依據所述至少一新的最佳化設定模型的其中之一來取得所述多個最佳化設定參數。
在本發明的一實施例中,上述的藉由人工智慧引擎執行類神經網路運算,以依據所述多個初始設定參數來訓練所述至少一新的最佳化設定模型的步驟包括:依據所述多個初始設定參數來訓練對應於相同記憶體型號以及不同記憶體操作頻率的多個新的最佳化設定模型。
在本發明的一實施例中,上述的人工智慧引擎設置在基本輸入輸出系統當中,以經由基本輸入輸出系統執行人工智慧引擎。
在本發明的一實施例中,上述的人工智慧引擎為應用程式,以經由作業系統執行人工智慧引擎。
在本發明的一實施例中,上述的人工智慧引擎設置在雲端系統中,以經由與雲端系統進行通訊,來執行人工智慧引擎。
在本發明的一實施例中,上述的所述多個初始設定參數包括中央處理單元操作電壓、記憶體顆粒資料、記憶體型號、記憶體參數以及記憶體操作電壓的至少其中之一。記憶體顆粒資料以及記憶體型號各別對應的權重值高於其他初始設定參數。
在本發明的一實施例中,上述的所述多個最佳化設定參數包括最佳化記憶體操作電壓、最佳化中央處理單元操作電壓以及最佳化記憶體參數的至少其中之一。
本發明的主機板包括基本輸入輸出系統。基本輸入輸出系統包括多個最佳化設定模型。基本輸入輸出系統用以擷取對應於記憶體以及中央處理單元的多個初始設定參數,以比對所述多個最佳化設定模型。當所述多個最佳化設定模型的其中之一對應於所述多個初始設定參數時,基本輸入輸出系統依據所述多個最佳化設定模型的其中之一取得多個最佳化設定參數。當所述多個最佳化設定模型的任何其中之一未對應於所述多個初始設定參數時,類神經網路運算經執行以取得所述多個最佳化設定參數。基本輸入輸出系統依據所述多個最佳化設定參數來運作記憶體以及中央處理單元,以降低記憶體的操作功耗。
在本發明的一實施例中,人工智慧引擎經執行類神經網路運算,以依據多個初始設定參數組來產生所述多個最佳化設定模型,並且將所述多個最佳化設定模型寫入基本輸入輸出系統。
在本發明的一實施例中,上述的所述多個最佳化設定模型對應於相同記憶體型號以及不同記憶體操作頻率。
在本發明的一實施例中,人工智慧引擎執行類神經網路運算,以依據所述多個初始設定參數來訓練至少一新的最佳化設定模型,並且人工智慧引擎將至少一新的最佳化設定模型寫入基本輸入輸出系統,以使基本輸入輸出系統依據所述至少一新的最佳化設定模型的其中之一來取得所述多個最佳化設定參數。
在本發明的一實施例中,上述的人工智慧引擎依據所述多個初始設定參數來訓練對應於相同記憶體型號以及不同記憶體操作頻率的多個新的最佳化設定模型。
在本發明的一實施例中,上述的人工智慧引擎設置在基本輸入輸出系統當中,以經由基本輸入輸出系統執行人工智慧引擎。
在本發明的一實施例中,上述的人工智慧引擎為應用程式,以經由作業系統執行人工智慧引擎。
在本發明的一實施例中,上述的人工智慧引擎設置在雲端系統中,以經由與雲端系統進行通訊,來執行人工智慧引擎。
在本發明的一實施例中,上述的所述多個初始設定參數包括中央處理單元操作電壓、記憶體顆粒資料、記憶體型號、記憶體參數以及記憶體操作電壓的至少其中之一。記憶體顆粒資料以及記憶體型號各別對應的權重值高於其他初始設定參數。
在本發明的一實施例中,上述的所述多個最佳化設定參數包括最佳化記憶體操作電壓、最佳化中央處理單元操作電壓以及最佳化記憶體參數的至少其中之一。
基於上述,本發明的記憶體的效能優化方法以及使用其的主機板,可藉由將記憶體以及中央處理單元的多個初始設定參數比對預先經由類神經網路運算所訓練的多個最佳化模型,以依據對應的最佳化模型來取得最佳化設定參數來運作記憶體以及中央處理單元,以有效地優化記憶體的效能以及降低操作功耗。
為讓本發明的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
為了使本發明之內容可以被更容易明瞭,以下特舉實施例做為本發明確實能夠據以實施的範例。另外,凡可能之處,在圖式及實施方式中使用相同標號的元件/構件/步驟,係代表相同或類似部件。
圖1是依照本發明的一實施例的主機板的架構示意圖。參考圖1,主機板(Motherboard)100包括基本輸入輸出系統(Basic Input / Output System, BIOS)110、中央處理單元(Center Processing Unit, CPU)120以及記憶體(Memory)130。基本輸入輸出系統110為設置或內嵌在主機板100的電路板上,並且儲存有最佳化設定模組111。中央處理單元120以及記憶體130為透過主機板100的多個相對應的插槽(Slot)來可插拔地設置在主機板100上。在本實施例中,當記憶體130設置在主機板100,並且電腦系統(Computer system)執行開機(Boot)程序時,基本輸入輸出系統110將執行最佳化設定模組111,以取得關於中央處理單元120以及記憶體130的相關最佳化操作參數,以對記憶體130的操作效能進行優化。
具體而言,基本輸入輸出系統110擷取對應於中央處理單元120以及記憶體130的多個初始設定參數,以依據所述多個初始設定參數來取得對應的最佳化設定模型。基本輸入輸出系統110可依據對應的最佳化設定模型來取得多個最佳化設定參數,並且依據所述多個最佳化設定參數來運作中央處理單元120以及記憶體130,以降低記憶體130的操作功耗。舉例而言,所述多個最佳化設定模型可對應於相同記憶體型號以及不同記憶體操作頻率。換言之,基本輸入輸出系統110預先建立有一組或多組分別對應於相同記憶體型號以及不同記憶體操作頻率的多個最佳化設定模型來供最佳化設定模組111進行比對。
值得注意的是,本實施例的記憶體130為隨機存取記憶體(Random Access Memory, RAM),特別是雙倍資料率同步動態隨機存取記憶體(Double Data Rate Synchronous Dynamic Random Access Memory, DDR SDRAM),但本發明並不限於此。此外,本實施例的最佳化設定模組111可為主機板100於製造過程中,由產品製造商預先寫入或燒錄至基本輸入輸出系統110中,以供使用者將任意型號或特定操作頻率的記憶體130裝設至主機板100上,而進行開機程序的過程中,電腦系統可透過基本輸入輸出系統110來自動執行最佳化設定模組111。
進一步而言,基本輸入輸出系統110可預先儲存有所述多個最佳化設定模型,並且所述多個最佳化設定模型可以是由製造商或使用者基於先前模型訓練歷史所取得的多個初始設定參數組來預先建立。詳細而言,所述多個初始設定參數組的每一組是指分別由製造商或使用者將多個不同記憶體型號或不同記憶體頻率的記憶體逐次裝設於主機板100上,由基本輸入輸出系統110所逐次收集而得的資料。並且,所述多個初始設定參數組的每一組可逐一經由類神經網路運算後來分別獲得相對應的所述多個最佳化設定模型,而所述多個最佳化設定模型將被逐一寫入或燒錄至基本輸入輸出系統110中。換言之,基本輸入輸出系統110可預先建立最佳化設定資料庫。
因此,當使用者首次將新的記憶體130裝設至主機板100上,並且基本輸入輸出系統110經由電腦系統執行以啟動時,基本輸入輸出系統110將依據對應於記憶體130的當前取得的所述多個初始設定參數來比對儲存在基本輸入輸出系統110中的所述多個最佳化設定模型,以判斷先前是否已經裝設過相同記憶體型號或相同記憶體頻率的記憶體,而可直接讀取已預先經由類神經網路運算所得的相關最佳化設定參數,以提供快速優化的效果。在本實施例中,當所述多個最佳化設定模型的其中之一對應於所述多個初始設定參數時,基本輸入輸出系統110依據所述多個最佳化設定模型的其中之一取得多個最佳化設定參數。相對地,當所述多個最佳化設定模型的任何其中之一未對應於所述多個初始設定參數時,類神經網路運算將被執行,以取得所述多個最佳化設定參數。換言之,即使基本輸入輸出系統110的最佳化設定資料庫當中無對應的最佳化設定模型,以致無法提供相對應的最佳化設定參數,則本實施例的主機板100可經由即時的類神經網路運算來取得新的最佳化設定模型以及相對應的所述多個最佳化設定參數。
在本實施例中,上述的類神經網路運算是透過人工智慧引擎(Artificial Intelligence Engine, AI Engine)來執行。人工智慧引擎可例如是由多個運算單元經由設計所組成的硬體架構或是經由特殊設計的演算法(Algorithm)來實現能夠執行相關機器學習(Machine learning)功能的運算引擎。並且,人工智慧引擎可以有以下多種實施態樣。舉例而言,在一實施例中,人工智慧引擎可設置在基本輸入輸出系統110當中,以經由基本輸入輸出系統110執行人工智慧引擎。在另一實施例中,人工智慧引擎為應用程式(Application),以經由作業系統(Operating System, OS)執行人工智慧引擎。在又一實施例中,人工智慧引擎設置在雲端(Cloud)系統中,以經由與雲端系統進行通訊,來執行人工智慧引擎。
換言之,當所述多個最佳化設定模型的任何其中之一未對應於所述多個初始設定參數時,在上述的一實施例中,基本輸入輸出系統110可即時執行人工智慧引擎,以取得所述多個最佳化設定參數。在上述的另一實施例中,當基本輸入輸出系統110完成開機程序後,人工智慧引擎可經由電腦系統的作業系統執行,以取得所述多個最佳化設定參數。在上述的又一實施例中,當基本輸入輸出系統110完成開機程序後,電腦系統可透過有線或無線的通訊模組來與雲端系統進行通訊,來執行人工智慧引擎,並取得所述多個最佳化設定參數。對此,人工智慧引擎的設置方式可依據不同的運算需求或優化設計來決定。
並且,在上述各個實施例中,人工智慧引擎執行所述類神經網路運算,以依據所述多個初始設定參數來訓練至少一新的最佳化設定模型。並且,人工智慧引擎可將所述至少一新的最佳化設定模型寫入基本輸入輸出系統110。然而,在特定實施例中,人工智慧引擎可依據所述多個初始設定參數來訓練對應於相同記憶體型號以及不同記憶體操作頻率的多個新的最佳化設定模型,並且將所述多個新的最佳化設定模型以複寫的方式寫入基本輸入輸出系統110。舉例而言,基本輸入輸出系統110可儲存固定數量或有限數量的最佳化設定模型,因此當儲存空間或數量已滿時,新的最佳化設定模型可被寫入以覆蓋較少使用的其他最佳化設定模型。
圖2是依照本發明的一實施例的記憶體的效能優化方法的流程圖。參考圖1以及圖2,圖1實施例的主機板100可執行如圖2實施例的步驟S201~S211。在步驟S201中,人工智慧引擎可執行類神經網路運算,以依據關於中央處理單元120以及記憶體130的多個初始設定參數組來產生多個最佳化設定模型。在步驟S202中,人工智慧引擎將所述多個最佳化設定模型寫入基本輸入輸出系統110。在步驟S203中,主機板100執行開機程序並啟動基本輸入輸出系統110。在步驟S204中,基本輸入輸出系統110可執行最佳化設定模組111。在步驟S205中,基本輸入輸出系統110擷取對應於中央處理單元120以及記憶體130的多個初始設定參數。在步驟S206中,最佳化設定模組111依據所述多個初始設定參數來比對儲存在基本輸入輸出系統110中的所述多個最佳化設定模型。在步驟S207中,最佳化設定模組111判斷所述多個最佳化設定模型的其中之一是否對應於所述多個初始設定參數。當所述多個最佳化設定模型的其中之一對應於所述多個初始設定參數時,在步驟S208中,基本輸入輸出系統110依據所述多個最佳化設定模型的其中之一的多個最佳化設定參數來運作中央處理單元120以及記憶體130。在步驟S209中,當完成最佳化設定後,基本輸入輸出系統110結束執行最佳化設定模組111。相對地,當所述多個最佳化設定模型的任何其中之一未對應於所述多個初始設定參數時,在步驟S210中,人工智慧引擎將被運行以執行類神經網路運算,以依據所述多個初始設定參數來訓練至少一新的最佳化設定模型。在步驟S211中,人工智慧引擎將所述至少一新的最佳化設定模型寫入基本輸入輸出系統110,並且依據所述至少一新的最佳化設定模型的其中之一來取得所述多個最佳化設定參數。因此,本實施例的效能優化方法可使主機板100可提供有效的記憶體130的自動效能優化功能。
另外,關於本實施例所述的效能優化方法以及主機板100的其他相關元件特徵、技術方案以及實施細節,可參考上述圖1實施例的說明而獲致足夠的教示、建議以及實施說明,因此不再贅述。
圖3是依照本發明的一實施例的類神經網路運算的示意圖。參考圖1以及圖3,本發明各實施例所述的類神經網路運算可如圖3所示的類神經網路300。在本實施例中,基本輸入輸出系統110可擷取對應於中央處理單元120以及記憶體130的多個初始設定參數。舉例而言,人工智慧模型可將所述多個初始設定參數作為多個輸入參數310_1~310_6,並且輸入至類神經網路300的輸入層(Input layer)。接著,經由類神經網路300的隱藏層(Hidden layer)的多個運算神經元(Neurons)320_1~320_8運算後,類神經網路300的輸出層(Output layer)可產生多個輸出參數330_1~330_6。因此,每一次運算所獲得的所述多個輸出參數330_1~330_6。所述多個輸出參數330_1~330_6即為多個最佳化設定參數,並且所述多個輸出參數330_1~330_6即可建立一個最佳化設定模型。換言之,經由多次輸入不同的輸入參數310_1~310_6來進行類神經網路運算後,人工智慧模型可取得多個最佳化設定模型340_1~340_N,並且N為大於1的正整數。
在本實施例中,所述多個初始設定參數可例如包括中央處理單元操作電壓、記憶體顆粒資料、記憶體型號、記憶體參數以及記憶體操作電壓的至少其中之一。並且,所述多個最佳化設定參數可例如包括最佳化記憶體操作電壓、最佳化中央處理單元操作電壓以及最佳化記憶體參數的至少其中之一。在本實施例中,所述多個運算神經元320_1~320_8可分別代表用於分別依據所述多個輸入參數310_1~310_6來進行加權及累加運算,以取得所述多個輸出參數330_1~330_6。然而,所述多個運算神經元320_1~320_8所分別對應的參數運算方式可依據不同類神經網路的類型來決定,而本發明並不加以限制。
在一特定實施例中,上述的記憶體顆粒資料以及記憶體型號各別對應的權重值高於其他初始設定參數。舉例而言,記憶體顆粒資料以及記憶體型號各別對應的權重值可為0.2,而其他初始設定參數可為0.1。然而,在一實施例中,所述多個初始設定參數所分別對應的權重值亦可依據特殊的使用需求、特殊的設定考量或特殊的操作環境來對應調整之,例如使用者可將較為重要的初始設定參數所對應的權重值調整為較高的權重值,而為較低考量因素的初始設定參數所對應的權重值調整為較低的權重值。
值得注意的是,本發明的所述多個初始設定參數的數量不限於圖3的所述多個輸入參數310_1~310_6的數量,並且本發明的所述多個最佳化設定參數的數量也不限於圖3的所述多個輸出參數330_1~330_6的數量。此外,圖3的運算神經元320_1~320_8的數量也僅用於舉例說明,本發明並不限於此。並且,圖3的類神經網路300僅為本發明的一個實施範例。本發明各實施例所述的類神經網路運算可例如是深度神經網路(Deep neural network, DNN)運算、卷積神經網路(Convolutional neural network, CNN)運算或是遞歸神經網路(Recurrent Neural Networks,RNN)運算等諸如此類的機器學習運算模型。
圖4是依照本發明的另一實施例的記憶體的效能優化方法的流程圖。參考圖1以及圖4,圖1實施例的主機板100在執行開機程序時,對應於主機板100的電腦系統可執行如圖4實施例的步驟S410~S440。在步驟S410中,基本輸入輸出系統110經執行以擷取對應於中央處理單元120以及記憶體130的多個初始設定參數。在步驟S420中,基本輸入輸出系統110依據所述多個初始設定參數來比對儲存在基本輸入輸出系統110中的多個最佳化設定模型。在步驟S430中,當所述多個最佳化設定模型的其中之一對應於所述多個初始設定參數時,依據所述多個最佳化設定模型的其中之一取得多個最佳化設定參數,並且當所述多個最佳化設定模型的任何其中之一未對應於所述多個初始設定參數時,類神經網路運算經執行,以取得所述多個最佳化設定參數。在步驟S440中,基本輸入輸出系統110依據所述多個最佳化設定參數來運作中央處理單元120以及記憶體130,以降低記憶體130的操作功耗。因此,本實施例的效能優化方法可使主機板100可提供有效的記憶體130的自動效能優化功能。
另外,關於本實施例所述的效能優化方法以及主機板100的其他相關元件特徵、技術方案以及實施細節,可參考上述圖1至圖3實施例的說明而獲致足夠的教示、建議以及實施說明,因此不再贅述。
綜上所述,本發明的記憶體的效能優化方法以及使用其的主機板,可藉由將記憶體以及中央處理單元的多個初始設定參數比對預先經由類神經網路運算所訓練的多個最佳化模型,或是經由人工智慧引擎來依據所述多個初始設定參數來即時執行類神經網路運算以取得新的最佳化模型。因此,主機板的基本輸入輸出系統可依據對應的最佳化模型來取得最佳化設定參數來運作記憶體以及中央處理單元,以有效地優化記憶體的效能以及降低操作功耗。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明的精神和範圍內,當可作些許的更動與潤飾,故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
100:主機板 110:基本輸入輸出系統 111:最佳化設定模組 120:中央處理單元 130:記憶體 300:類神經網路 310_1~310_6:輸入參數 320_1~320_8:運算神經元 330_1~330_6:輸出參數 340_1~340_N:最佳化設定模型 S201~S211、S410~S440:步驟
圖1是依照本發明的一實施例的主機板的架構示意圖。 圖2是依照本發明的一實施例的記憶體的效能優化方法的流程圖。 圖3是依照本發明的一實施例的類神經網路運算的示意圖。 圖4是依照本發明的另一實施例的記憶體的效能優化方法的流程圖。
S410~S440:步驟
Claims (20)
- 一種記憶體的效能優化方法,適於具有一基本輸入輸出系統的一主機板,並且該方法包括:執行該基本輸入輸出系統,以擷取對應於一記憶體以及一中央處理單元的多個初始設定參數;依據該些初始設定參數來比對儲存在該基本輸入輸出系統中的多個最佳化設定模型;當該些最佳化設定模型的其中之一對應於該些初始設定參數時,依據該些最佳化設定模型的其中之一取得多個最佳化設定參數,並且當該些最佳化設定模型的任何其中之一未對應於該些初始設定參數時,執行一類神經網路運算,以取得該些最佳化設定參數;以及依據該些最佳化設定參數來運作該記憶體以及該中央處理單元,以降低該記憶體的操作功耗。
- 如申請專利範圍第1項所述的效能優化方法,更包括:藉由一人工智慧引擎執行該類神經網路運算,以依據多個初始設定參數組來產生該些最佳化設定模型;以及將該些最佳化設定模型寫入該基本輸入輸出系統。
- 如申請專利範圍第1項所述的效能優化方法,其中該些最佳化設定模型對應於相同記憶體型號以及不同記憶體操作頻率。
- 如申請專利範圍第1項所述的效能優化方法,其中當該些最佳化設定模型的任何其中之一未對應於該些初始設定參數時,執行該類神經網路運算,以取得該些最佳化設定參數的步驟包括:藉由一人工智慧引擎執行該類神經網路運算,以依據該些初始設定參數來訓練至少一新的最佳化設定模型;將該至少一新的最佳化設定模型寫入該基本輸入輸出系統;以及依據該至少一新的最佳化設定模型的其中之一來取得該些最佳化設定參數。
- 如申請專利範圍第4項所述的效能優化方法,其中藉由該人工智慧引擎執行該類神經網路運算,以依據該些初始設定參數來訓練該至少一新的最佳化設定模型的步驟包括:依據該些初始設定參數來訓練對應於相同記憶體型號以及不同記憶體操作頻率的多個新的最佳化設定模型。
- 如申請專利範圍第4項所述的效能優化方法,其中該人工智慧引擎設置在該基本輸入輸出系統當中,以經由該基本輸入輸出系統執行該人工智慧引擎。
- 如申請專利範圍第4項所述的效能優化方法,其中該人工智慧引擎為一應用程式,以經由一作業系統執行該人工智慧引擎。
- 如申請專利範圍第4項所述的效能優化方法,其中該人工智慧引擎設置在一雲端系統中,以經由與該雲端系統進行通訊,來執行該人工智慧引擎。
- 如申請專利範圍第1項所述的效能優化方法,其中該些初始設定參數包括一中央處理單元操作電壓、一記憶體顆粒資料、一記憶體型號、一記憶體參數以及一記憶體操作電壓的至少其中之一,並且該記憶體顆粒資料以及該記憶體型號各別對應的權重值高於其他初始設定參數。
- 如申請專利範圍第1項所述的效能優化方法,其中該些最佳化設定參數包括一最佳化記憶體操作電壓、一最佳化中央處理單元操作電壓以及一最佳化記憶體參數的至少其中之一。
- 一種主機板,設置有一記憶體以及一中央處理單元,並且該主機板包括:一基本輸入輸出系統,包括多個最佳化設定模型,且該基本輸入輸出系統用以擷取對應於該記憶體以及該中央處理單元的多個初始設定參數,以比對該些最佳化設定模型,其中當該些最佳化設定模型的其中之一對應於該些初始設定參數時,該基本輸入輸出系統依據該些最佳化設定模型的其中之一取得多個最佳化設定參數,並且當該些最佳化設定模型的任何其中之一未對應於該些初始設定參數時,一類神經網路運算經執行以取得該些最佳化設定參數,其中該基本輸入輸出系統依據該些最佳化設定參數來運作該 記憶體以及該中央處理單元,以降低該記憶體的操作功耗。
- 如申請專利範圍第11項所述的主機板,其中一人工智慧引擎經執行該類神經網路運算,以依據多個初始設定參數組來產生該些最佳化設定模型,並且將該些最佳化設定模型寫入該基本輸入輸出系統。
- 如申請專利範圍第11項所述的主機板,其中該些最佳化設定模型對應於相同記憶體型號以及不同記憶體操作頻率。
- 如申請專利範圍第11項所述的主機板,其中一人工智慧引擎執行該類神經網路運算,以依據該些初始設定參數來訓練至少一新的最佳化設定模型,並且該人工智慧引擎將該至少一新的最佳化設定模型寫入該基本輸入輸出系統,以使該基本輸入輸出系統依據該至少一新的最佳化設定模型的其中之一來取得該些最佳化設定參數。
- 如申請專利範圍第14項所述的主機板,其中該人工智慧引擎依據該些初始設定參數來訓練對應於相同記憶體型號以及不同記憶體操作頻率的多個新的最佳化設定模型。
- 如申請專利範圍第14項所述的主機板,其中該人工智慧引擎設置在該基本輸入輸出系統當中,以經由該基本輸入輸出系統執行該人工智慧引擎。
- 如申請專利範圍第14項所述的主機板,其中該人工智慧引擎為一應用程式,以經由一作業系統執行該人工智慧引擎。
- 如申請專利範圍第14項所述的主機板,其中該人工智慧引擎設置在一雲端系統中,以經由與該雲端系統進行通訊,來執行該人工智慧引擎。
- 如申請專利範圍第11項所述的主機板,其中該些初始設定參數包括一中央處理單元操作電壓、一記憶體顆粒資料、一記憶體型號、一記憶體參數以及一記憶體操作電壓的至少其中之一,並且該記憶體顆粒資料以及該記憶體型號各別對應的權重值高於其他初始設定參數。
- 如申請專利範圍第11項所述的主機板,其中該些最佳化設定參數包括一最佳化記憶體操作電壓、一最佳化中央處理單元操作電壓以及一最佳化記憶體參數的至少其中之一。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107147560A TWI701595B (zh) | 2018-12-28 | 2018-12-28 | 記憶體的效能優化方法以及使用其的主機板 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107147560A TWI701595B (zh) | 2018-12-28 | 2018-12-28 | 記憶體的效能優化方法以及使用其的主機板 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202026869A TW202026869A (zh) | 2020-07-16 |
TWI701595B true TWI701595B (zh) | 2020-08-11 |
Family
ID=73003035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107147560A TWI701595B (zh) | 2018-12-28 | 2018-12-28 | 記憶體的效能優化方法以及使用其的主機板 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI701595B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200945220A (en) * | 2008-03-08 | 2009-11-01 | Tokyo Electron Ltd | Autonomous biologically based learning tool |
TW201202876A (en) * | 2010-01-29 | 2012-01-16 | Tokyo Electron Ltd | Method and system for self-learning and self-improving a semiconductor manufacturing tool |
TWI544326B (zh) * | 2013-03-18 | 2016-08-01 | 東芝股份有限公司 | 資訊處理系統、控制程式、及資訊處理裝置 |
TWI644214B (zh) * | 2017-05-12 | 2018-12-11 | 神雲科技股份有限公司 | 快速週邊組件互連介面卡的初始化方法 |
-
2018
- 2018-12-28 TW TW107147560A patent/TWI701595B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200945220A (en) * | 2008-03-08 | 2009-11-01 | Tokyo Electron Ltd | Autonomous biologically based learning tool |
TW201202876A (en) * | 2010-01-29 | 2012-01-16 | Tokyo Electron Ltd | Method and system for self-learning and self-improving a semiconductor manufacturing tool |
TWI544326B (zh) * | 2013-03-18 | 2016-08-01 | 東芝股份有限公司 | 資訊處理系統、控制程式、及資訊處理裝置 |
TWI644214B (zh) * | 2017-05-12 | 2018-12-11 | 神雲科技股份有限公司 | 快速週邊組件互連介面卡的初始化方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202026869A (zh) | 2020-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11216719B2 (en) | Methods and arrangements to quantize a neural network with machine learning | |
US20170017576A1 (en) | Self-adaptive Cache Architecture Based on Run-time Hardware Counters and Offline Profiling of Applications | |
US20200034197A1 (en) | Adapting a pre-trained distributed resource predictive model to a target distributed computing environment | |
CN110546611A (zh) | 通过跳过处理操作来减少神经网络处理器中的功耗 | |
JP7449276B2 (ja) | 電源管理制御をサポートする電源管理アドバイザ | |
TWI635382B (zh) | 記憶體超頻方法及電腦裝置 | |
US11947947B2 (en) | Automatic probabilistic upgrade of tenant devices | |
US20170103154A1 (en) | Circuit design method and simulation method based on process variation caused by aging | |
JP2016529626A (ja) | サーバ/ラックシステムのブート時ピーク消費電力の最適化 | |
JP2021022373A (ja) | 負荷を均衡化するための方法、装置、機器、コンピュータ読み取り可能な記憶媒体及びコンピュータプログラム | |
US8806254B2 (en) | System and method for creating and dynamically maintaining system power inventories | |
CN112162966A (zh) | 分布式存储系统参数调节方法、装置及电子设备和介质 | |
KR20210073242A (ko) | 모델 최적화 방법 및 장치 및 모델 최적화 장치를 포함한 가속기 시스템 | |
WO2022142179A1 (zh) | 业务任务执行方法、装置以及计算机可读存储介质 | |
TWI701595B (zh) | 記憶體的效能優化方法以及使用其的主機板 | |
US10353803B2 (en) | Dynamic device clustering | |
TWI704494B (zh) | 處理器的效能優化方法以及使用其的主機板 | |
CN115759979B (zh) | 基于rpa和流程挖掘的流程智能处理方法和系统 | |
CN111381891A (zh) | 记忆体的效能优化方法以及使用其的主机板 | |
US20210200584A1 (en) | Multi-processor system, multi-core processing device, and method of operating the same | |
CN102063308B (zh) | 一种用于地震勘探资料处理流程控制的方法 | |
WO2016131313A1 (zh) | 一种嵌入式操作系统代码加载的方法及装置 | |
CN113993343A (zh) | 制冷设备的节能控制方法、装置、终端及存储介质 | |
CN111381663A (zh) | 处理器的效能优化方法以及使用其的主机板 | |
TW202004570A (zh) | 模型建構方法、系統及非揮發性電腦可讀取記錄媒體 |