记忆体的效能优化方法以及使用其的主机板技术

本发明专利技术提出一种记忆体的效能优化方法以及使用其的主机板。效能优化方法包括以下步骤：执行基本输入输出系统，以撷取对应于记忆体以及中央处理单元的初始设定参数；依据初始设定参数来比对储存在基本输入输出系统中的最佳化设定模型；当最佳化设定模型对应于初始设定参数时，依据最佳化设定模型取得最佳化设定参数，并且当最佳化设定模型未对应于初始设定参数时，执行类神经网络运算，以取得最佳化设定参数；以及依据最佳化设定参数来运作记忆体以及中央处理单元，以降低记忆体的操作功耗。

【技术实现步骤摘要】
记忆体的效能优化方法以及使用其的主机板
本专利技术是有关于一种主机板(Motherboard)的功能设计，且特别是有关于一种记忆体(Memory)的效能优化方法以及使用其的主机板。
技术介绍
对于一般的电脑系统来说，当使用者购入电脑主机，并且将记忆体(Memory)安装于主机板(Motherboard)上之后，在一般状态下，电脑系统仅能使用经由记忆体制造商预先烧录于记忆体的串行存在检测(SerialPresenceDetect,SPD)中的相关初始记忆体设定参数，并且依据预设的初始记忆体时脉来操作记忆体。然而，若使用者利用电脑主机板所提供的调整功能来手动修改记忆体的相关参数，往往也仅是利用更大的功耗来换取记忆体处理时脉，因此无法有效率地提升记忆体效能，且同时降低记忆体的操作功耗，甚至无法确保记忆体是否工作在最稳定的状态。有鉴于此，以下将提出几个实施例的解决方案。
技术实现思路
本专利技术提供一种记忆体的效能优化方法以及使用其的主机板，可有效地自动优化设置在主机板上的记忆体的执行效能，以有效降低记忆体的操作功耗。本专利技术的记忆体的效能优化方法，适于具有基本输入输出系统的主机板。所述效能优化方法包括以下步骤：执行基本输入输出系统，以撷取对应于记忆体以及中央处理单元的多个初始设定参数；依据所述多个初始设定参数来比对储存在基本输入输出系统中的多个最佳化设定模型；当所述多个最佳化设定模型的其中之一对应于所述多个初始设定参数时，依据所述多个最佳化设定模型的其中之一取得多个最佳化设定参数，并且当所述多个最佳化设定模型的任何其中之一未对应于所述多个初始设定参数时，执行类神经网络运算，以取得所述多个最佳化设定参数；以及依据所述多个最佳化设定参数来运作记忆体以及中央处理单元，以降低记忆体的操作功耗。在本专利技术的一实施例中，上述的效能优化方法更包括以下步骤：藉由人工智慧引擎执行类神经网络运算，以依据多个初始设定参数组来产生所述多个最佳化设定模型；以及将所述多个最佳化设定模型写入基本输入输出系统。在本专利技术的一实施例中，上述的所述多个最佳化设定模型对应于相同记忆体型号以及不同记忆体操作频率。在本专利技术的一实施例中，上述的当所述多个最佳化设定模型的任何其中之一未对应于所述多个初始设定参数时，执行类神经网络运算，以取得所述多个最佳化设定参数的步骤包括：藉由人工智慧引擎执行类神经网络运算，以依据所述多个初始设定参数来训练至少一新的最佳化设定模型；将所述至少一新的最佳化设定模型写入基本输入输出系统；以及依据所述至少一新的最佳化设定模型的其中之一来取得所述多个最佳化设定参数。在本专利技术的一实施例中，上述的藉由人工智慧引擎执行类神经网络运算，以依据所述多个初始设定参数来训练所述至少一新的最佳化设定模型的步骤包括：依据所述多个初始设定参数来训练对应于相同记忆体型号以及不同记忆体操作频率的多个新的最佳化设定模型。在本专利技术的一实施例中，上述的人工智慧引擎设置在基本输入输出系统当中，以经由基本输入输出系统执行人工智慧引擎。在本专利技术的一实施例中，上述的人工智慧引擎为应用程序，以经由作业系统执行人工智慧引擎。在本专利技术的一实施例中，上述的人工智慧引擎设置在云端系统中，以经由与云端系统进行通讯，来执行人工智慧引擎。在本专利技术的一实施例中，上述的所述多个初始设定参数包括中央处理单元操作电压、记忆体颗粒数据、记忆体型号、记忆体参数以及记忆体操作电压的至少其中之一。记忆体颗粒数据以及记忆体型号各别对应的权重值高于其他初始设定参数。在本专利技术的一实施例中，上述的所述多个最佳化设定参数包括最佳化记忆体操作电压、最佳化中央处理单元操作电压以及最佳化记忆体参数的至少其中之一。本专利技术的主机板包括基本输入输出系统。基本输入输出系统包括多个最佳化设定模型。基本输入输出系统用以撷取对应于记忆体以及中央处理单元的多个初始设定参数，以比对所述多个最佳化设定模型。当所述多个最佳化设定模型的其中之一对应于所述多个初始设定参数时，基本输入输出系统依据所述多个最佳化设定模型的其中之一取得多个最佳化设定参数。当所述多个最佳化设定模型的任何其中之一未对应于所述多个初始设定参数时，类神经网络运算经执行以取得所述多个最佳化设定参数。基本输入输出系统依据所述多个最佳化设定参数来运作记忆体以及中央处理单元，以降低记忆体的操作功耗。在本专利技术的一实施例中，人工智慧引擎经执行类神经网络运算，以依据多个初始设定参数组来产生所述多个最佳化设定模型，并且将所述多个最佳化设定模型写入基本输入输出系统。在本专利技术的一实施例中，上述的所述多个最佳化设定模型对应于相同记忆体型号以及不同记忆体操作频率。在本专利技术的一实施例中，人工智慧引擎执行类神经网络运算，以依据所述多个初始设定参数来训练至少一新的最佳化设定模型，并且人工智慧引擎将至少一新的最佳化设定模型写入基本输入输出系统，以使基本输入输出系统依据所述至少一新的最佳化设定模型的其中之一来取得所述多个最佳化设定参数。在本专利技术的一实施例中，上述的人工智慧引擎依据所述多个初始设定参数来训练对应于相同记忆体型号以及不同记忆体操作频率的多个新的最佳化设定模型。在本专利技术的一实施例中，上述的人工智慧引擎设置在基本输入输出系统当中，以经由基本输入输出系统执行人工智慧引擎。在本专利技术的一实施例中，上述的人工智慧引擎为应用程序，以经由作业系统执行人工智慧引擎。在本专利技术的一实施例中，上述的人工智慧引擎设置在云端系统中，以经由与云端系统进行通讯，来执行人工智慧引擎。在本专利技术的一实施例中，上述的所述多个初始设定参数包括中央处理单元操作电压、记忆体颗粒数据、记忆体型号、记忆体参数以及记忆体操作电压的至少其中之一。记忆体颗粒数据以及记忆体型号各别对应的权重值高于其他初始设定参数。在本专利技术的一实施例中，上述的所述多个最佳化设定参数包括最佳化记忆体操作电压、最佳化中央处理单元操作电压以及最佳化记忆体参数的至少其中之一。基于上述，本专利技术的记忆体的效能优化方法以及使用其的主机板，可藉由将记忆体以及中央处理单元的多个初始设定参数比对预先经由类神经网络运算所训练的多个最佳化模型，以依据对应的最佳化模型来取得最佳化设定参数来运作记忆体以及中央处理单元，以有效地优化记忆体的效能以及降低操作功耗。为让本专利技术的上述特征和优点能更明显易懂，下文特举实施例，并配合所附图式作详细说明如下。附图说明图1是依照本专利技术的一实施例的主机板的架构示意图。图2是依照本专利技术的一实施例的记忆体的效能优化方法的流程图。图3是依照本专利技术的一实施例的类神经网络运算的示意图。图4是依照本专利技术的另一实施例的记忆体的效能优化方法的流程图。其中，附图标记：100：主机板110：基本输入输出系统111：最佳化设定模块120：中央处理单元130：记忆体300：类神经网络310_1～310_6：输入参数320_1～320本文档来自技高网...

【技术保护点】
1.一种记忆体的效能优化方法，其特征在于，适于具有一基本输入输出系统的一主机板，并且该方法包括：/n执行该基本输入输出系统，以撷取对应于一记忆体以及一中央处理单元的多个初始设定参数；/n依据该些初始设定参数来比对储存在该基本输入输出系统中的多个最佳化设定模型；/n当该些最佳化设定模型的其中之一对应于该些初始设定参数时，依据该些最佳化设定模型的其中之一取得多个最佳化设定参数，并且当该些最佳化设定模型的任何其中之一未对应于该些初始设定参数时，执行一类神经网络运算，以取得该些最佳化设定参数；以及/n依据该些最佳化设定参数来运作该记忆体以及该中央处理单元，以降低该记忆体的操作功耗。/n

【技术特征摘要】
1.一种记忆体的效能优化方法，其特征在于，适于具有一基本输入输出系统的一主机板，并且该方法包括：
执行该基本输入输出系统，以撷取对应于一记忆体以及一中央处理单元的多个初始设定参数；
依据该些初始设定参数来比对储存在该基本输入输出系统中的多个最佳化设定模型；
当该些最佳化设定模型的其中之一对应于该些初始设定参数时，依据该些最佳化设定模型的其中之一取得多个最佳化设定参数，并且当该些最佳化设定模型的任何其中之一未对应于该些初始设定参数时，执行一类神经网络运算，以取得该些最佳化设定参数；以及
依据该些最佳化设定参数来运作该记忆体以及该中央处理单元，以降低该记忆体的操作功耗。


2.如权利要求1所述的效能优化方法，其特征在于，更包括：
藉由一人工智慧引擎执行该类神经网络运算，以依据多个初始设定参数组来产生该些最佳化设定模型；以及
将该些最佳化设定模型写入该基本输入输出系统。


3.如权利要求1所述的效能优化方法，其特征在于，该些最佳化设定模型对应于相同记忆体型号以及不同记忆体操作频率。


4.如权利要求1所述的效能优化方法，其特征在于，当该些最佳化设定模型的任何其中之一未对应于该些初始设定参数时，执行该类神经网络运算，以取得该些最佳化设定参数的步骤包括：
藉由一人工智慧引擎执行该类神经网络运算，以依据该些初始设定参数来训练至少一新的最佳化设定模型；
将该至少一新的最佳化设定模型写入该基本输入输出系统；以及
依据该至少一新的最佳化设定模型的其中之一来取得该些最佳化设定参数。


5.如权利要求4所述的效能优化方法，其特征在于，藉由该人工智慧引擎执行该类神经网络运算，以依据该些初始设定参数来训练该至少一新的最佳化设定模型的步骤包括：
依据该些初始设定参数来训练对应于相同记忆体型号以及不同记忆体操作频率的多个新的最佳化设定模型。


6.如权利要求4所述的效能优化方法，其特征在于，该人工智慧引擎设置在该基本输入输出系统当中，以经由该基本输入输出系统执行该人工智慧引擎。


7.如权利要求4所述的效能优化方法，其特征在于，该人工智慧引擎为一应用程序，以经由一作业系统执行该人工智慧引擎。


8.如权利要求4所述的效能优化方法，其特征在于，该人工智慧引擎设置在一云端系统中，以经由与该云端系统进行通讯，来执行该人工智慧引擎。


9.如权利要求1所述的效能优化方法，其特征在于，该些初始设定参数包括一中央处理单元操作电压、一记忆体颗粒数据、一记忆体型号、一记忆体参数以及一记忆体操作电压的至少其中之一，并且该记忆体颗粒数据以及该记忆体型号各别对应的权重值高于其他初始设定参数。


10.如权利要求1所述的效能...

【专利技术属性】
技术研发人员：谌宏政，廖哲贤，柯智化，
申请(专利权)人：技嘉科技股份有限公司，
类型：发明
国别省市：中国台湾;71