PANDA：通过统一解析与机器学习方案的架构级功耗评估
机器学习
2023-12-15 v1 硬件体系结构
摘要
功耗效率是现代微处理器设计中的一个关键设计目标。为了评估架构级设计决策的影响，需要一种准确且高效的架构级功耗模型。然而，像 McPAT 和 Wattch 这样被广泛采用的与数据无关的解析功耗模型因其不可靠的准确性而受到批评。虽然已有一些机器学习（ML）方法被提出用于架构级功耗建模，但它们依赖于足够多的已知设计进行训练，并且在可用设计数量有限时表现不佳，而这在现实场景中通常是常态。在这项工作中，我们推导出了一个统一现有架构级功耗模型的通用公式。基于该公式，我们提出了 PANDA，一种结合了解析与 ML 功耗模型优势的创新架构级解决方案。即使在训练设计非常有限的情况下，它也能在未知的新设计上实现前所未有的高准确性，这是实践中常见的挑战。除了作为出色的功耗模型外，它还能准确预测面积、性能和能耗。PANDA 进一步支持对未知新工艺节点的功耗预测。在我们的实验中，除了验证 PANDA 的卓越性能和广泛功能外，我们还提出了一个应用场景，在该场景中 PANDA 被证明能够在给定功耗约束下识别高性能设计配置。
引用
@article{arxiv.2312.08994,
title = {PANDA: Architecture-Level Power Evaluation by Unifying Analytical and Machine Learning Solutions},
author = {Qijun Zhang and Shiyu Li and Guanglei Zhou and Jingyu Pan and Chen-Chia Chang and Yiran Chen and Zhiyao Xie},
journal= {arXiv preprint arXiv:2312.08994},
year = {2023}
}