CPINN-ABPI：用于 MPSoC 精确功耗估计的物理信息神经网络
性能
2025-05-29 v1 机器学习
摘要
现代多处理器片上系统的高效热与功耗管理需要精确的功耗估计。其中一种最先进的方法，交替盲功率识别，在理论上消除了对稳态温度的依赖，解决了以往方法的一个主要缺陷。然而，ABPI 的性能在实际硬件实现中仍未得到验证。在本研究中，我们在使用 NVIDIA Jetson Xavier AGX 平台的商用硬件上对 ABPI 进行了首次实证验证。我们的研究结果表明，尽管 ABPI 具有计算效率且独立于稳态温度，但它在实际场景中表现出相当大的精度缺陷。为了克服这些局限性，我们引入了一种新方法，将定制物理信息神经网络与 ABPI 的底层热模型相结合。我们的方法采用了一个将物理原理与数据驱动学习相协调的专用损失函数，并辅以多目标遗传算法优化，以平衡估计精度和计算成本。在实验验证中，CPINN-ABPI 相对于 ABPI 在 CPU 和 GPU 上的平均绝对误差分别降低了 84.7% 和 73.9%，加权平均绝对百分比误差从 47%--81% 提升至 12%。该方法保持了 195.3~s 推理时间的实时性能，并在异构 SoC 上取得了相似的 85%--99% 的精度提升。
引用
@article{arxiv.2505.22469,
title = {CPINN-ABPI: Physics-Informed Neural Networks for Accurate Power Estimation in MPSoCs},
author = {Mohamed R. Elshamy and Mehdi Elahi and Ahmad Patooghy and Abdel-Hameed A. Badawy},
journal= {arXiv preprint arXiv:2505.22469},
year = {2025}
}