一种用于 FPGA 动态功耗原位监测的集成学习方法
硬件体系结构
2020-09-04 v1 机器学习
摘要
随着现场可编程门阵列在关键应用领域中变得普遍，其功耗备受关注。在本文中，我们提出并评估了一种能够精细时间尺度上准确估计 FPGA 运行时动态功耗的功耗监测方案，以支持新兴的功耗管理技术。具体而言，我们描述了一种新颖且专用的集成模型，该模型可分解为多个定制的基于决策树的基学习器。为辅助模型综合，提出了一种通用的计算机辅助设计流程来生成样本、选择特征、调优超参数并训练该集成估计器。此外，给出了训练后集成估计器的硬件实现，用于片上实时功耗估计。在实验中，我们首先表明单个决策树模型可实现相对于商业门级功耗估计工具 4.51% 以内的预测误差，比常用线性模型低 2.41 至 6.07 倍。更重要的是，我们研究了使用所提集成模型在推断精度上的额外收益。实验结果显示，该集成监测方法可进一步将功耗预测精度提升至最大误差 1.90% 以内。此外，采用多达 64 个基学习器的集成监测硬件的查找表（LUT）开销在目标 FPGA 的 1.22% 以内，表明其轻量与可扩展特性。
引用
@article{arxiv.2009.01432,
title = {An Ensemble Learning Approach for In-situ Monitoring of FPGA Dynamic Power},
author = {Zhe Lin and Sharad Sinha and Wei Zhang},
journal= {arXiv preprint arXiv:2009.01432},
year = {2020}
}
备注
published as a journal (TCAD) paper in 2018