כיצד להשתמש Machine Learning כדי לחזות ולשפר את גבולות ביצועי Dsp

הבנת גבולות ביצועי DSP

מעבדי אותות דיגיטליים (DSPs) הם מיקרומעבדים מיוחדים שנועדו להתמודד עם משימות עיבוד אותות בזמן אמת - מקבצי אודיו ודחיסת תמונה למדמ"ם beamforming. הביצועים שלהם הוא מחויב על ידי שילוב של מגבלות אדריכליות (למשל, מספר יחידות מרובות קידוד כפול, רוחב פס זיכרון, עומק צינורות צינורות הפעלה (שעון, מתח, טמפרטורה), ומאפיינים מסורתיים (נתונים, מורכבות, דינמית) , תכונות למידה חזקות במיוחד, תכונות למידה דינמית, תכונות למידה דינמית.

מפתחי DSP Performance Boundaries

הבנה של אילו גורמים מגבילים את הביצועים היא הצעד הראשון ביישום ML.המגבלות העיקריות כוללות:

גורמים אלה אינטראקציה בדרכים מורכבות.לדוגמה, עומס עבודה המשתמש בהוראות רבות במקביל רבות מקבילות עלולות לפגוע בקיר כוח לפני שמודלי קידוד ML יכולים ללכוד את האינטראקציות בין אלה בין-דומיין הרבה יותר יעיל מאשר משוואות חד-פורסמויות סגורות.

יישום Machine Learning for Prediction

גישות למידת מכונות לחיזוי ביצועי DSP נופלות בדרך כלל לשתי קטגוריות: תוקפנות מבוקרת (ההנחה ערך מתמשך כגון זמן ביצוע או צריכת חשמל) וסיווג (הרמז אם עומס עבודה יעלה על סף). זרימת העבודה הליבה כוללת איסוף נתונים, הנדסה תכונה, בחירת מודל ואימות.

איסוף נתונים: בניית קורפוס האימונים

איכות תחזיות ML תלויה במידה רבה בנתונים של הכשרת מהנדסים, על מנת ללכוד טלמטרי מחומרה DSP אמיתית או סימולטורים של מחזור-מחזור.מדדים חיוניים כוללים:

נתונים צריכים לכסות מגוון רחב של נקודות הפעלה - תדרים, מתחים וטמפרטורות ממושכות - כדי להבטיח את המודל כללי.

הנדסה: Transforming Raw Telemetry into Predictors

רול טלמטרי משמש לעתים רחוקות ישירות.תכונות הנדסה תכונות דיספליות המתואמים עם גבולות ביצועים.תכונות נפוצות כוללות:

מיצוי תכונה אוטומטית באמצעות מיצוי:0 (autoencodersveFLT:1) או (FLT:2t-Distributed Stochastic Neighbor Embedding (t-SNE)FLT 3: ניתן גם להשתמש בו כדי להפחית את המימד תוך שמירה על המבנה.

מודל אימון ואימות

מספר ארכיטקטורות ML מתאימות לחיזוי ביצועי DSP:

מודלים של Regression

(ב) ,0) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

רשתות

עבור נתונים גדולים, גבוהים, רשתות עצביות עמוקות (DNNs) יכול ללמוד מיפוי מורכב. שכבות מהפכתיות יכול לעבד טלמטרי זמן, בעוד שכבות חוזרות (LSTM) ללכוד תלות זמני.אדריכלות טיפוסית עשויה להיות רשת להאכיל קדימה עם שלוש שכבות מוסתרות (256, 128, 64 נוירונים) באמצעות הפעלה מחדש וירידה (0.2 עבור סדירה.

אסטרטגיות אימות

(ב) (ב) ,0) , ⁇ (=5 או 10) כדי להעריך את הכללה. metrics כוללים FLT:2mean מוחלט שגיאה (MAE)FLT 3: 3 עבור חיזוי זמן ביצוע ו-FLT:4accuracy / F1 ציוןFLT:5 עבור סיווג בינארי (בטוח לעומת הגבלת יתר).

שימוש ב-ML כדי לשפר את ביצועי ה-DSP

מעבר לחיזוי פסיבי, ML יכול להניע אופטימיזציה פעילה.שני שדרות עיקריות הן שליטה בזמן אמת ושיפור זמן עיצוב.

אופטימיזציה בזמן אמת

הטמעת מודל ML קל משקל ישירות לתוך קושחה DSP (או עמית לעבודה מעבד) מאפשר הסתגלות במשרה רצופה.מודל מעריך באופן קבוע חדר ראש בהתבסס על טלגרף נוכחי ומתאים פרמטרים תפעוליים.

דינמי וולט ותדירות Scaling (DVFS)

מודל רגרסיה הנבאת צריכת חשמל שניתנה תכונות עומס עבודה יכול להחליט את זוג המתח האופטימלי- ⁇ מתח.לדוגמה, אם המודל צופה כי עומס עבודה יישאר בתוך תקציב הכוח בתדירות גבוהה יותר, בקר DVFS יכול להגביר את הביצועים. , אם גבולות תרמיים קרוב, זה יכול לדרג מראש - הפחתה של התכת חום כי כואב.

עבודה עומס שידול והגירה

ב- Heterogeneous SoCs, מתווך יכול לחזות איזה אלמנט עיבוד (למשל, אשכול DSP לעומת GPU) יפגוש מועדים ביעילות רבה יותר.הלוח הזמנים יעביר משימות בהתאם.גישה זו משמשת ב-Google'sFLT:0 â € ¢ עיבוד עיבוד יחידות עיבוד עיבוד עיבוד עיבוד של 1 ו-Mobiles כגון Qualcomm Snapdra כדי לבצע את האיזון ואת האיזון.

זיכרון Access Orchestration

מודלים של ML המצפים דפוסים של שרוולים עלולים לגרום להנחיות טרום-אפילקט או גישה לזיכרון ניתוק להפחתה של דוכנים. מחקר מ-FLT:0IEEE XploreFLT:1 מראה כי רשתות עצביות מאומן על עקבות מטמון יכולות להפחית את הריבית עד 25%.

שיפורים בעיצוב באמצעות תובנות ML-Driven

למידת מכונה גם מודיעה שיפורים אדריכליים.על ידי ניתוח אשר עומסי עבודה באופן שגרתי ניגשים למגבלה מסוימת, מעצבים יכולים לכוון את שורש הסיבה.

שיפור ניהולי

אם מודלים של ML חושפים כי צפיפות כוח (W / mm2) ספייק תחת רצף הוראה מסוים, מעצבים יכולים להוסיף חיישנים תרמיים מקומיים או להתאים את הרצפה מתוכנן להתפשט חום. A מקרה מחקר מ FLT:0XivFLT:1 השתמש ⁇ כדי לזהות נקודות חמות ברמה גבוהה תרמית, המוביל לירידה של 15% בטמפרטורה באמצעות שינויים מיקרו-אסטרטגיים.

חקר אדריכלות

בשלבים מוקדמים של עיצוב, מודלים של ML יכולים לחזות את ההשפעה של שינוי גודל של כאב, עומק צינורות או מספר של ALUs. זה מקצר את הלולאה של חקר החלל עיצוב-מרחב.לדוגמה, FLT:0ACM עסקאות על אדריכלות: 1LT מתאר מודל אקראי-לכאורה השיג דיוק בדירוג תצורה מיקרו-ארכיטקטורה, שמירה על סימולציה של שבועות.

עקבו אחרי

ML-Moderderators יכול לבחור דגלי אופטימיזציה (אל תולעת, וקטוריזציה) המבוססים על ביצועים חזופים.ה-FLT:0MLGOveFLT:1 מסגרת (האופטימיזציה של Google Machine Learning Guidedation) מוכיחה כי למידה חיזוקית יכולה להפחית את גודל הקוד ולרוץ עבור DSPs משובצים.

אתגרים ועיסוקים טובים

מינוף ML עבור ביצועי DSP הוא לא-trivial. Common מלכודות כוללים:

אימוץ מסגרת שיטתית: איסוף נתונים תחת ניסויים מבוקרים, לבצע בחירה תכונה (למשל, באמצעות מידע הדדי), והמשך מעקב אחר תחזיות ML נגד חומרת חומרה בפועל.

כיוונים עתידיים

ההתכנסות של אופטימיזציה של ML ו- DSP היא מאיצה.

מחקר שפורסם ב-FLT:0 (Naturecio ElectronicsFLT:1) מראה כי מאיצים ברשת עצבית יכולים להיות ממוטבים על ידי ML, יצירת מחזור רוטט.

מסקנה

למידת מכונות התבגרה מסקרנות תיאורטית ככלי מעשי לחיזוי ושיפור גבולות ביצועי DSP. על ידי מינוף נתונים תפעוליים, מהנדסים יכולים לצפות צווארי בקבוק, להתאים את הפרמטרים של המערכת בזמן אמת, ולעדכן החלטות עיצוב חומרה.הטכניקות המתוארות - מאוסף נתונים והנדסת תכונה ועד אמת- DVFS וחיפוש אדריכלות - לספק מפת דרכים לשילוב ML לתוך חיי הפיתוח של DSP, כמו גם יישומי עיבוד יעיל יותר ויותר.