运算单元的构架选择模型训练方法和构架选择方法技术

本发明专利技术公开了一种运算单元的构架选择模型训练方法和构架选择方法，应用于电路设计领域，所述训练方法包括：计算机设备在获取到运算单元对应的多种特征值后，将根据优化目标从多种特征值中选取对应的至少一种特征值作为构架的约束参数，以在确定每个构架的约束参数后，将构架和对应的约束参数作为数据点，并构建训练预设的神经网络模型所需的数据集，接着利用训练集训练神经网络模型，最后在满足预设的训练终止条件时，停止所述神经网络模型的训练，进而得到运算单元的构架选择模型。基于此，本发明专利技术通过模型训练避免了设计逻辑树或决策系统所需的成本，且在应用后能将通过模型高效完成构架优化，避免了穷举法产生的效率与精度均较低的问题。均较低的问题。均较低的问题。

【技术实现步骤摘要】
运算单元的构架选择模型训练方法和构架选择方法


[0001]本专利技术涉及电路设计领域，尤其涉及一种运算单元的构架选择模型训练方法和构架选择方法。

技术介绍

[0002]随着超大规模集成电路的发展和高性能计算需求的出现，对集成电路中运算单元的优化的重要性成已为电路设计的重点。
[0003]常见的，运算单元的优化包括构架优化，构架优化即为运算单元选择合适的构架。以运算单元加法器为例，运算单元加法器的构架有链式进位加法（Ripple Carry Adder）、提前进位加法（Carry Lookahead Adder）及前缀式加法类（Prefix Adder）等宏构架，且不同宏构架又对应有多种微构架，进而对运算单元加法器进行构架优化则为从多种构架中选择满足时延最低或电路面积最小等设计需要的构架。
[0004]但在超大规模电路中，运算单元的数量通常十分巨大，因而对每个运算单元均采用穷尽法以进行构架优化，将对计算机的硬件造成极大负荷，且需较长的时间。

技术实现思路

[0005]有鉴于此，本专利技术提供一种运算单元的构架选择模型训练方法和构架选择方法，以改善超大规模电路中采用穷尽法以进行构架优化，将对计算机的硬件造成极大负荷，且需较长的时间的现状。
[0006]第一方面，本专利技术实施例提供一种运算单元的构架选择模型训练方法，包括：获取运算单元对应的每种构架的多种特征值，其中，所述多种特征值包括时钟频率、驱动电容、位宽、电路面积、时延及功耗；基于预设的优化目标，将每种所述构架的所述多种特征值中的至少一种特征值作为每种所述构架的约束参数，并将每种所述构架和对应的约束参数作为数据点，构建数据集；利用所述数据集训练预设的神经网络模型，以使所述神经网络模型根据输入的约束参数，输出满足所述优化目标的构架；当满足预设的训练终止条件时，停止所述神经网络模型的训练，得到所述运算单元的构架选择模型。
[0007]可选的，在本专利技术实施例提供的一种可行方式中，所述基于预设的优化目标，将每种所述构架的所述多种特征值中的至少一种特征值作为每种所述构架的约束参数，并将每种所述构架和对应的约束参数作为数据点，构建数据集，包括：基于预设的优化目标，将每种所述构架的所述多种特征值中的至少一种特征值作为每种所述构架的约束参数；设置所述约束参数满足所述优化目标对应的构架的标签为第一预设值，并设置所述约束参数不满足所述优化目标对应的构架的标签为第二预设值；
将每种所述构架的标签和对应的约束参数作为数据点，构建数据集。
[0008]可选的，在本专利技术实施例提供的一种可行方式中，所述约束参数包括电路面积和时延，所述优化目标包括最小化所述约束参数对应的第一代价函数，所述第一代价函数包括：式中，f
cost
表示第一代价函数，Area表示电路面积，λ表示第一预设参数，t
s
表示最差负时序裕量。
[0009]可选的，在本专利技术实施例提供的一种可行方式中，所述约束参数包括电路面积和时延，所述优化目标包括最小化所述约束参数对应的第二代价函数，所述第二代价函数包括：式中，f
cost
表示第二代价函数，Area表示所述电路面积，Area
min
表示所有所述构架对应的电路面积中的最小值，表示第二预设参数，t
s
表示最差负时序裕量，T表示所述运算单元的时钟周期。
[0010]第二方面，本专利技术实施例提供一种运算单元的构架选择方法，包括：获取待优化电路中待优化运算单元对应的每种构架的多种特征值，其中，所述多种特征值包括时钟频率、驱动电容、位宽、电路面积、时延及功耗；根据所述待优化电路的设计规则，确定所述待优化运算单元对应的优化目标；基于所述优化目标将每种所述构架的多种特征值中的至少一种特征值作为每种所述构架的约束参数；根据所述优化目标和所述约束参数，确定所述待优化运算单元的构架选择模型，并将所述每种构架的约束参数输入至所述构架选择模型，得到目标构架，其中，所述待优化运算单元的构架选择模型通过第一方面中任一种所述的运算单元的构架选择模型训练方法得到。
[0011]可选的，在本专利技术实施例提供的一种可行方式中，所述约束参数还包括所述待优化电路中，与所述待优化运算单元相连的运算单元的特征值。
[0012]第三方面，本专利技术实施例提供一种运算单元的构架选择模型训练装置，包括：特征获取模块，用于获取运算单元对应的每种构架的多种特征值，其中，所述多种特征值包括时钟频率、驱动电容、位宽、电路面积、时延及功耗；数据集构建模块，用于基于预设的优化目标，将每种所述构架的所述多种特征值中的至少一种特征值作为每种所述构架的约束参数，并将每种所述构架和对应的约束参数作为数据点，构建数据集；第一训练模块，用于利用所述数据集训练预设的神经网络模型，以使所述神经网络模型根据输入的约束参数，输出满足所述优化目标的构架；第二训练模块，用于当满足预设的训练终止条件时，停止所述神经网络模型的训练，得到所述运算单元的构架选择模型。
[0013]第四方面，本专利技术实施例提供一种运算单元的构架选择装置，包括：
特征值获取模块，用于获取待优化电路中待优化运算单元对应的每种构架的多种特征值，其中，所述多种特征值包括时钟频率、驱动电容、位宽、电路面积、时延及功耗；目标确定模块，用于根据所述待优化电路的设计规则，确定所述待优化运算单元对应的优化目标；约束确定模块，用于基于所述优化目标将每种所述构架的多种特征值中的至少一种特征值作为每种所述构架的约束参数；选择模块，用于根据所述优化目标和所述约束参数，确定所述待优化运算单元的构架选择模型，并将所述每种构架的约束参数输入至所述构架选择模型，得到目标构架，其中，所述待优化运算单元的构架选择模型通过第一方面中任一种所述的运算单元的构架选择模型训练方法得到。
[0014]第五方面，本专利技术实施例提供一种计算机设备，包括存储器以及处理器，存储器存储有计算机程序，计算机程序在处理器上运行时执行如第一方面中任一种公开的所述的运算单元的构架选择模型训练方法，或如第二方面中任一种公开的所述的运算单元的构架选择方法。
[0015]第六方面，本专利技术实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序在处理器上运行时执行如第一方面中任一种公开的所述的运算单元的构架选择模型训练方法，或如第二方面中任一种公开的所述的运算单元的构架选择方法。
[0016]本专利技术实施例提供的构架选择模型训练方法中，计算机设备在获取到运算单元对应的每种构架的时钟频率、驱动电容、位宽、电路面积、时延及功耗等特征值后，将根据优化目标从多种特征值中选取对应的至少一种特征值作为构架的约束参数，以在确定每个构架的约束参数后，将构架和对应的约束参数作为数据点，并构建训练预设的神经网络模型所需的数据集，接着利用训练集训练神经网络模型，也即，使神经网络模型根据数据集中的数据和优化目标，不断预测输入参数中满足优化目标的结果，即构架，从而调整神经网络模型中的各个权重参数和偏置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种运算单元的构架选择模型训练方法，其特征在于，包括：获取运算单元对应的每种构架的多种特征值，其中，所述多种特征值包括时钟频率、驱动电容、位宽、电路面积、时延及功耗；基于预设的优化目标，将每种所述构架的所述多种特征值中的至少一种特征值作为每种所述构架的约束参数，并将每种所述构架和对应的约束参数作为数据点，构建数据集；利用所述数据集训练预设的神经网络模型，以使所述神经网络模型根据输入的约束参数，输出满足所述优化目标的构架；当满足预设的训练终止条件时，停止所述神经网络模型的训练，得到所述运算单元的构架选择模型。2.根据权利要求1所述的运算单元的构架选择模型训练方法，其特征在于，所述基于预设的优化目标，将每种所述构架的所述多种特征值中的至少一种特征值作为每种所述构架的约束参数，并将每种所述构架和对应的约束参数作为数据点，构建数据集，包括：基于预设的优化目标，将每种所述构架的所述多种特征值中的至少一种特征值作为每种所述构架的约束参数；设置所述约束参数满足所述优化目标对应的构架的标签为第一预设值，并设置所述约束参数不满足所述优化目标对应的构架的标签为第二预设值；将每种所述构架的标签和对应的约束参数作为数据点，构建数据集。3.根据权利要求1所述的运算单元的构架选择模型训练方法，其特征在于，所述约束参数包括电路面积和时延，所述优化目标包括最小化所述约束参数对应的第一代价函数，所述第一代价函数包括：式中，f
cost
表示第一代价函数，Area表示电路面积，λ表示第一预设参数，t
s
表示最差负时序裕量。4.根据权利要求1所述的运算单元的构架选择模型训练方法，其特征在于，所述约束参数包括电路面积和时延，所述优化目标包括最小化所述约束参数对应的第二代价函数，所述第二代价函数包括：式中，f
cost
表示第二代价函数，Area表示所述电路面积，Area
min
表示所有所述构架对应的电路面积中的最小值，表示第二预设参数，t
s
表示最差负时序裕量，T表示所述运算单元的时钟周期。5.一种运算单元的构架选择方法，其特征在于，包括：获取待优化电路中待优化运算单元对应的每种构架的多种特征值，其中，所述多种特征值包括时钟频率、驱动电容、位宽、电路面积、时延及功耗；根据所述待优化电路的设计规则，确定所述待优化运算单元对应的优化目标；基于所述优化目标将每种所述构架的多种特征值中的至少一种特征值作为每种所述构架的约束参数；
根据所述优化目标和所述约束参数，确定所述待优化运算...

【专利技术属性】
技术研发人员：邵云，肖勇，程佳文，喻文健，
申请(专利权)人：深圳鸿芯微纳技术有限公司，
类型：发明
国别省市：