基于循环神经网络的多核芯片热管理技术研究

在新一代的IC芯片中,静态功耗的影响变的越来越显著。由于静态功耗与芯片温度之间存在非线性的依赖关系,芯片动态热管理问题也变成了一个非线性的控制问题,所以现在很难对考虑静态功耗的多核芯片进行有效的热管理。本文对基于循环神经网络的多核芯片动态热管理技术进行了研究,提出使用循环神经网络方法对考虑静态功耗的多核芯片进行热建模,然后使用基于循环神经网络的模型预测控制方法对多核芯片进行热管理。首先,本文分析了基于传统热模型的动态热管理在考虑静态功耗与温度之间的非线性关系时会出现相互依赖的问题,我们需要知道静态功耗去计算温度,同时也需要知道芯片温度才能去计算静态功耗。然后,为了给动态热管理方法找到一种实用的考虑静态功耗的热模型,我们创新性的设计了基于结构分析的分段线性方法处理静态功耗与温度之间的关系,对多核芯片进行热建模,再结合传统的模型预测控制方法对多核芯片进行动态热管理。但是此方法对于大规模的芯片会存在时间消耗大的问题。之后,针对这个问题,本文又提出了一种基于循环神经网络的多核芯片热管理方法,这是基于数据的黑盒子识别方法。使用循环神经网络对考虑静态功耗的热模型进行热建模,利用了循环神经网络自身的非线性特性,自然地处理了静态功耗与温度之间的非线性关系。我们分析了传统循环神经网络在建立非线性热模型时存在梯度爆炸引起的长期依赖性问题,导致很大的模型误差。继而提出使用一种特殊的循环神经网络,回声状态网络作为考虑静态功耗的非线性热模型,我们从理论和实验上都证明了回声状态网络避免了长期依赖性问题,实现了高精度建模。再结合针对回声状态网络热模型设计的非线性模型预测控制方法,利用迭代的方法为热管理寻找最优的功率建议。最后,对本文中提出的基于循环神经网络的模型预测控制方法进行试验分析验证,通过与现有的基于线性热模型的动态热管理方法进行对比分析,本文中的方法在温度管理性能和时间上都有优势。因为新方法考虑了静态功耗与温度之间的非线性关系而且与先进的控制方法相结合,基于循环神经网络的动态热管理方法实现了高质量,高精度的温度管理。