SAfEPaTh: A System-Level Approach for Efficient Power and Thermal Estimation of Convolutional Neural Network Accelerator

本文介绍了一种名为SAfEPaTh的系统级方法，用于准确估计基于瓦片的卷积神经网络(CNN)加速器中的功耗和温度，以解决复杂的功耗和热管理问题。SAfEPaTh有效地解决了稳态和瞬态场景下的问题，利用真实的CNN工作负载来捕捉层间流水线中流水线气泡的动态影响。与传统方法不同的是，它消除了电路级模拟或芯片内测量的需求。本方法利用TANIA，一种先进的混合数字-模拟瓦片加速器，其特点是在数字核心旁边具有模拟内存计算核心。通过使用ResNet18模型的严格模拟结果，我们证明了SAfEPaTh在500秒内能够准确估计功耗和温度，包括CNN模型加速器映射探索和详细的功耗和热估计。这种效率和准确性使SAfEPaTh成为设计师的宝贵工具，使他们能够在严格的功耗和热约束条件下优化性能。此外，SAfEPaTh的适应性扩展了其在各种CNN模型和加速器体系结构中的实用性，凸显了它在该领域的广泛适用性。本研究在解决动态功耗和热管理方面的关键挑战中，对于推动能效高、可靠的CNN加速器设计做出了重要贡献。

如何准确估算基于瓦片的卷积神经网络加速器的功耗和温度？

提出了一种名为SAfEPaTh的系统级方法，利用混合数字模拟和模拟器的瓦片加速器，通过解决稳态和瞬态情况下的动态效应来准确估算功耗和温度。

通过ResNet18模型的严格模拟结果，展示了SAfEPaTh在500秒内准确估算功耗和温度的能力，具有高效性和准确性。该方法不需要电路级仿真或芯片上的测量，并且具有广泛的适用性。

最近的相关研究包括“基于深度强化学习的动态功耗管理策略”和“基于机器学习的热管理方法”。