[发明专利]一种基于长短时记忆神经网络的三维多核芯片温度预测方法及系统

说明书

本发明提出了一种基于长短时记忆神经网络的三维多核芯片温度预测方法及系统，其中所述方法采用的模型通过长短时记忆神经网络层与全连接层相结合实现，其中长短时记忆神经网络层接收历史温度信息作为输入；全连接层输出多个时间长度后的预测温度信息。本发明提出的方法可为多核芯片中动态温度管理模型提供时间与空间的热分析：即预测节点的温度变化和三维多核芯片的温度分布。本发明通过神经网络对三维多核芯片中温度变化模式的学习能确定潜在热点的位置，较为准确地对每个节点进行多步长温度预测，从而便于动态温度管理模型对芯片整体温度分布情况的掌握，进一步提前进行温度调控，避免热点的产生。

技术领域

本发明涉及一种基于长短时记忆神经网络的三维多核芯片温度预测方法及系统，特别是涉及三维多核芯片温度预测与热点追踪技术领域。

背景技术

目前，类似与系统级芯片的多核系统越来越成为实现多功能集成和高性能计算的重要手段。随着半导体技术的快速发展带来的芯片特征尺寸微缩，芯片单位面积上能集成的核心数目快速增加。随着核心数目的增加，核心之间的信息传递成为了限制系统性能的重要因素。目前的多核系统提出了一类基于网格的互联架构，采用分组路由的方式来解决多核处理器各个核心之间的通信问题。这类基于网格的片上互联多核通信解决方案被称为多核芯片。

与此同时，多核处理器核心数增加还带来了片上功耗的增加与温度的累积，尤其在三维的多核系统和多核芯片中热耗散变得更加困难，这对多核芯片的通信质量造成不利影响。其中更坏的一种情况是由于流量分布不均匀导致某些节点短时间内接收到了大量的数据包，成为了局部过热的热点。热点的存在不仅会导致通信延迟大幅度提高，还会造成系统性能下降，更严重的则会影响硬件系统的安全性。为了应对上述问题，近年来提出了很多动态温度管理方法来控制多核芯片的整体温度，优化温度分布状况。其中的主动动态温度管理方法基于温度的预测值来预警危险温度的产生，掌握芯片整体的温度分布情况，提前进行温度调控，避免热点的产生。因此动态温度管理方法非常依赖温度的预测值，精确高效的三维网络热分布估计与预测对动态温度管理的性能至关重要。

循环神经网络（Recurrent Neural Network, RNN）是一类善于抓取时间序列特征的神经网络，能够学习变量随时间变化的模式。传统的基于线性回归的在线温度预测与热点追踪模型适用于往后一步的温度预测。在较长的预测步长下，传统在线温度预测与热点追踪模型需要做多次迭代，占用大量的运算资源，却难以取得很高的精度。

发明内容

发明目的：提出一种基于长短时记忆神经网络的三维多核芯片温度预测方法及系统，以解决现有技术存在的上述问题。基于长短时记忆神经网络与全连接层构建的神经网络对已有数据集进行训练，学习多核芯片温度变化和热点变化的模式。同时通过连接三维多核芯片节点的温度传感器与全局的动态温度管理模型，为动态温度管理模型进行时间与空间的热分析，确定潜在热点的位置，准确地对每个结点进行多步长温度预测，有效地提高下一级动态温度管理的性能。

技术方案：第一方面，提出了一种基于长短时记忆神经网络的三维多核芯片温度预测方法，该方法具体包括以下步骤：

步骤1、由至少一个温度传感器组成温度测量组进行温度测量；

步骤2、构建用于预测三维多核芯片温度的在线温度预测与热点追踪模型；

步骤3、所述在线温度预测与热点追踪模型接收所述温度测量组测量到的温度数据，进行温度值的分析预测；

步骤4、根据预测值判断当前核节点的温度，并在温度过高时进行温度调控。

其中，所述在线温度预测与热点追踪模型包括长短时记忆神经网络层与和全连接层，所述长短时记忆神经网络层用于接收温度测量组测量到的温度数据，并与全连接层相连。

通过对芯片核温的预测，可以便于动态温度管理模型对芯片整体温度分布情况的掌握，从而提前进行温度调控，避免热点的产生。