基于物理学习算法在万核级 GPU 上实现较 FEM 百万倍加速的准确热点预测
计算工程、金融与科学
2024-04-16 v1
摘要
针对具有大量核心的微处理器的芯片级热仿真，对带有 Galerkin 投影（GP）的经典本征正交分解（POD）进行了修正。引入了一种集成 POD-GP 方法，通过将大量热源划分为每个可能包含一个或极少数热源的热源块，显著提高了训练有效性和预测精度。尽管 EnPOD-GP 对任何功率分布图都非常准确、高效且稳健，但对于具有庞大核心数的微处理器，其训练负担过重。因此，提出了局部域 EnPOD-GP 模型以进一步最小化训练负担。LEnPOD-GP 利用局部域截断和通用构建块的概念来减少海量训练数据。LEnPOD-GP 已在 NVIDIA Tesla Volta GV100 的热仿真中得到验证，该 GPU 拥有超过 13,000 个核心，包括 FP32、FP64、INT32 和 Tensor Cores。由于 LEnPOD-GP 的域截断，最小二乘误差（LSE）有所下降，但在每个 HSB 使用 4 个模态时，整个空间上的 LSE 仍小至 1.6%，在器件层低于 1.4%。当仅关注整个 GPU 的最高温度时，LEnPOD-GP 提供的计算速度比 FEM 快 110 万倍，且在整个仿真时间内的最大误差接近 1.2 度。
引用
@article{arxiv.2404.09419,
title = {Predicting Accurate Hot Spots in a More Than Ten-Thousand-Core GPU with a Million-Time Speedup over FEM Enabled by a Physics-based Learning Algorithm},
author = {Lin Jian and Yu Liu and Ming-Cheng Cheng},
journal= {arXiv preprint arXiv:2404.09419},
year = {2024}
}
备注
8 pages, 8 figures