Hiểu giới hạn của hệ thống DIS

Bộ xử lý tín hiệu kỹ thuật số được thiết kế riêng để xử lý các đơn vị xử lý tín hiệu có khả năng xử lý thời gian thực sự - từ độ cao âm thanh và nén ảnh đến khả năng chuyển đổi radar. Khả năng của chúng bị hạn chế bởi sự kết hợp của hạn chế kiến trúc (v. d., số lượng của các đơn vị tính năng vi mô phỏng, băng thông tin, đường ống) được thiết kế để xử lý các thông tin về thời gian thực, điều kiện hoạt động (đồng hồ, nhiệt độ, nhiệt độ và hiệu quả tải các tính năng khác (số năng, tỷ lệ phức tạp), các mô hình phân tích thông thường không thu được các dữ liệu sắc thái, hành vi xử lý dữ liệu hiện đại, đặc biệt khi liên quan đến các mẫu không hoạt động trực tiếp từ các dữ liệu này.

Các yếu tố then chốt xác định khả năng kết nối của hệ thống DP

Hiểu được yếu tố nào ép buộc hiệu suất hoạt động là bước đầu tiên trong việc áp dụng ML. Giới hạn chính bao gồm:

  • Thông qua: số lượng hoạt động tối đa trên giây, giới hạn bởi tốc độ đồng hồ và hiệu suất ống dẫn.
  • Ký tự ghi chú:) bị trì hoãn bởi sự bỏ lỡ bộ nhớ tạm hoặc truy cập bên ngoài, mà có thể làm giảm nghiêm trọng hiệu suất dữ liệu hạt nhân tăng cường dữ liệu.
  • Phòng dẫn nhiệt và đèn nhiệt: DP thường hoạt động dưới ngân sách quyền lực chặt chẽ; các giới hạn nhiệt quá mức ép buộc cắt giảm hoặc tắt.
  • Thuyết tương đương ) khả năng thực hiện nhiều hướng dẫn trên mỗi chu kỳ bị hạn chế bởi các phụ thuộc dữ liệu và tài nguyên phần cứng.

Những yếu tố này tương tác theo những cách phức tạp. Ví dụ, một tải công việc mà sử dụng nhiều hướng dẫn tính toán song song có thể đạt được một bức tường điện trước khi làm việc với đơn vị số học. mô hình ML có thể thu các tương tác qua d'main hiệu quả hơn nhiều so với các phương trình dạng kết nối đóng.

Áp dụng máy học dự đoán

Máy học tập tiến đến dự đoán hiệu suất của máy thường rơi vào hai loại: hồi quy ( tiên đoán một giá trị liên tục như thời gian thực hành hoặc tiêu thụ quyền lực) và phân loại (xem xét trước xem một tải công việc sẽ vượt quá ngưỡng). Dòng làm việc cốt lõi bao gồm bộ sưu tập dữ liệu, kỹ thuật, lựa chọn mô hình và hợp lệ.

Bộ sưu tập dữ liệu: Xây dựng Tập đoàn Huấn luyện

Chất lượng dự đoán của ML phụ thuộc rất nhiều vào dữ liệu đào tạo. Kỹ sư phải thu từ phần cứng thật hoặc trình mô phỏng chính xác chu kỳ. Máy đo cơ bản bao gồm:

  • Tổng chu kỳ đồng hồ cho mỗi nhiệm vụ hoặc nhân.
  • hụt: L1, L2, và bộ nhớ tạm cuối cùng hụt.
  • Branch ithtedions: ảnh hưởng trên hình phạt dội nước.
  • Tiêu thụ điện:) năng lượng động và sức mạnh tĩnh, thường qua bộ cảm biến điện năng của người dùng.
  • Tính năng: nhiệt độ giao thoa được đo bởi các ô nhiệt.
  • Những người phân loại làm việc: kiểu Algrithm (FIR, FFT, ma trận phép nhân), kích cỡ dữ liệu, và cấp độ thống nhất.

Dữ liệu nên bao gồm nhiều điểm hoạt động khác nhau - tần số khác nhau [FLT: 1] hoặc Giao thức kiểm tra công cộng như [FLTT: 0] có thể cung cấp các bảng thông tin ban đầu [FLT: 1] hoặc [FLT].

Kỹ thuật đặc trưng: Biến hình Điện từ thô thành các dự đoán

Tính năng thô hiếm khi được sử dụng trực tiếp. Tính năng kỹ thuật đặc trưng chiết xuất các tính năng phân biệt sắc thái tương quan với giới hạn hiệu suất.

  • tóm tắt định lý: [FLT: 1] có nghĩa là, biến đổi, và phần trăm các mẫu bộ nhớ.
  • tính năng miền tần số FFT để xác định ứng xử nhiệt dao động.
  • Thành phần nạp điện: tỷ lệ nhân với tổng số lượng kênh tải/ thư mục.
  • Tính năng thời trang: lịch sử gần đây về nhiệt độ hoặc sức mạnh (cửa sổ đang mở).

Tính năng được tự động khai thác bằng [FLT:] máy ) hoặc [FLT: 2] [FLT:] tt:] tra tấn chủ nhà Stochic d n nhúng (tSNE) cũng có thể được sử dụng để giảm độ nghiêng trong khi bảo tồn cấu trúc.

Dạy dỗ và kiểm tra kỹ lưỡng

Một số kiến trúc ML phù hợp với dự đoán hiệu suất của DP:

Mô hình hồi quy

Chương trình hồi quy [FLT: 1] cung cấp một đường thẳng cơ bản nhưng không thu được các tương tác không tuyến tính. Phục hồi rừng [FLT:] cung cấp độ chính xác cao hơn bằng cách kết hợp các loại dữ liệu. tăng cường (v. d. XGGB, GBM) được sử dụng rộng rãi hơn để dự đoán năng lượng cao và độ sắc nét hơn.

Mạng thần kinh

Đối với các bộ dữ liệu lớn, hệ thống không gian cao, mạng thần kinh (DNNN) có thể học bản đồ phức tạp. Các lớp tiến hóa có thể xử lý các quang tuyến thời gian, trong khi các lớp tái phát (LSTM) thu hồi các phụ thuộc thời gian. Một cấu trúc điển hình có thể là một mạng lưới cung cấp dữ liệu bổ sung với ba lớp ẩn (56, 128, 64, 64) bằng cách kích hoạt và thả ra (0.2) để thường xuyên.

Kiểm tra hiệu ứng

Dùng để đánh giá tổng quát [FLT:] đa thức [FLT: t chuỗi chéo [FLT: 1] [FLT:] để dự đoán giờ thực hiện và để tính toán để phân tích ) an toàn (an toàn v. d. tránh giám sát quá trình mất tích hợp lệ và dừng lại sớm.

Dùng ML để cải thiện khả năng thực hiện của cơ sở dữ liệu

Ngoài những dự đoán thụ động, ML có thể lái tối ưu hóa hoạt động.

Thời gian thật sự làm báp têm

Việc nhúng một mô hình chức năng nhỏ nhẹ của ML trực tiếp vào phần mềm DP (hoặc một bộ xử lý đồng bộ) cho phép thích nghi thời gian chạy. Mô hình này liên tục ước tính phòng đầu dựa trên các tham số đo và điều chỉnh hiện thời.

Công cụ động và Tỷ lệ Hóa Siêu Âm (DVFS)

Một mô hình hồi quy dự đoán tiêu thụ điện năng cho việc nạp năng lượng công việc có thể quyết định một cặp điện thế tối ưu. Ví dụ, nếu mô hình dự đoán rằng một lượng công việc nạp điện sẽ ở trong ngân sách điện ở tần số cao hơn, bộ điều khiển DVFS có thể tăng hiệu suất. Ngược lại, nếu giới hạn nhiệt gần, nó có thể giảm thiểu một cách tối ưu - tránh nhiệt độ làm tổn thương áp suất.

Bộ lập kế hoạch và chuyển công việc

Trong chương trình khác chủng tộc SoCs, một bộ phân loại có thể dự đoán yếu tố xử lý (v. d., một cụm DP v. a GPU) sẽ đáp ứng thời hạn có hiệu quả nhất. Bộ lập lịch sau đó di chuyển các tác vụ phù hợp. Cách tiếp cận này được dùng trong Google [FLT: 0] Thao tác Xử Lý [FLT: 1] và di động như Quam Snapdragon để cân bằng và hiệu suất.

Bộ nhớ bị cắt

Mô hình dạng bộ nhớ tạm có thể gây ra sự truy cập trước hay sắp xếp lại bộ nhớ để giảm thời gian. Nghiên cứu từ [FLT: 0]IEE Xlore cho thấy mạng thần kinh được đào tạo về dấu vết bộ nhớ tạm có thể giảm tỷ lệ bị mất đến 25%.

Thiết kế cải tiến thông qua trí tuệ MLLGN

Máy học cũng thông báo cho việc nâng cấp kiến trúc bằng cách phân tích những công việc tải lên thường xuyên tiếp cận một giới hạn cụ thể, các nhà thiết kế có thể nhắm mục tiêu của nguyên nhân gốc.

Tăng cường nhiệt quản lý nhiệt

Nếu mô hình ML tiết lộ mật độ điện (W/mm2) gai nhọn dưới một số trình tự hướng dẫn, các nhà thiết kế có thể thêm bộ cảm biến nhiệt ở địa phương hoặc điều chỉnh tầng để truyền nhiệt. Một nghiên cứu từ [FLT: 0] [FLT: 1] đã dùng iv nâng cấp để xác định các điểm nhiệt nhiệt nhiệt độ cao, dẫn đến 15% nhiệt độ tối đa qua các sự cải tiến vi phân.

Khám phá kiến trúc

Trong giai đoạn thiết kế đầu, mô hình ML có thể dự đoán hiệu quả của việc thay đổi kích thước bộ nhớ tạm, độ sâu đường ống, hoặc số lượng AUs. Điều này làm ngắn vòng lặp khám phá không gian thiết kế. Ví dụ, [FLT: 0] Chương trình chuyển đổi AFM trên Kiến trúc mô hình ngẫu nhiên nhất đạt tới 90% độ chính xác trong cấu hình cấu hình vi mô phỏng, tiết kiệm nhiều tuần mô phỏng.

Sự thích nghi

Những trình biên dịch đa phương tiện có thể chọn những lá cờ tối ưu (mở vòng tròn, chuyển động) dựa trên hiệu suất đã dự đoán. Giá trị [FLT: 0] [LGGO [FLT:] [FLT:] [CĐ: 1] [HSP] (Cấp hướng dẫn học của máy củaGogle’s Machine dậy bài dậy bài toán] cho thấy việc tăng cường việc học có thể giảm kích cỡ mã và chạy cho các hệ thống mã nhúng.

Thử thách và thực hành tốt nhất

Triển khai ML cho hiệu suất của hệ thống DP không phải là không có tính năng.

  • [FLT: 0] Chất lượng dữ liệu:) Đọc cảm biến Noisy hoặc nhãn còn thiếu có thể làm giảm mô hình. Hãy dùng tính chất lọc thống kê mạnh và đảm bảo sự thật mặt đất được đồng bộ hoá.
  • Một mạng thần kinh phức tạp có thể đưa ra quá nhiều chi phí cho các quyết định thời gian thực. Dùng mô hình định lượng hoặc chưng cất (v. d., TensorFlow Lite Micro) có thể chạy trong <100 >1 trên các thiết bị DP tiêu biểu.
  • Mô hình được đào tạo theo dấu băng tổng hợp có thể thất bại trên dữ liệu thế giới thực. Bao gồm nhiều việc khác nhau (v. d., video, radar) trong việc đào tạo.
  • Khả năng kết nối:) Khi tuổi hoặc số lượng công việc tăng tiến, sự phân phối tiềm ẩn thay đổi.

Nhận một khuôn khổ có hệ thống: thu thập dữ liệu theo các thí nghiệm được kiểm soát, thực hiện chọn tính năng (v. d., sử dụng thông tin chung), và tiếp tục theo dõi dự đoán ML đối với các phần cứng thực sự.

Hướng tương lai

Sự hội tụ của ML và DP đang tăng tốc.

  • Học tập phục hồi (RL): ) các tác nhân RL học chính sách DVFS thông qua thử và sai sót, cải thiện qua thời gian mà không cần mô hình rõ ràng.
  • Học tập đã qua: ) trong khi bảo vệ sự riêng tư.
  • AI (XAI): ) Dùng fuP hoặc LIME để giải thích những đặc điểm nào khiến người ta đoán giới hạn hiệu suất, trợ giúp các nhà thiết kế.
  • Trình thiết kế máy tính bằng máy tính chung: ). Trình đào tạo mô hình ML đồng thời tăng tốc, giảm tốc, và đáng tin cậy, dẫn đến các bộ xử lý tự khởi động.

Nghiên cứu xuất bản trong N quãng thời gian [FLT: 1] cho thấy rằng chính các máy gia tốc mạng thần kinh có thể được tối ưu hóa bởi ML, tạo ra một chu kỳ đạo đức.

Kết luận

Máy học đã trưởng thành từ một sự tò mò lý thuyết thành một công cụ thực tiễn để dự đoán và cải thiện các giới hạn hiệu suất của hệ thống DP. Bằng cách sử dụng dữ liệu hoạt động, kỹ sư có thể dự đoán các dây treo, điều chỉnh các tham số hệ thống trong thời gian thực, và thông báo các quyết định thiết kế phần cứng. Các kỹ thuật được mô tả - từ bộ sưu tập dữ liệu và kỹ thuật tính toán đến thời gian thực sự DVFS và khảo sát kiến trúc - thiết kế - thiết bị định vị cho phép tích hợp ML để phát triển sự sống.