System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请属于数据处理领域,尤其涉及运算器芯片功耗管理方法、计算子系统以及智能计算平台。
技术介绍
1、目前,为提升各个产业、各个领域的智能化应用普及程度,亟待构建一种智能化计算平台,用以辅助智能超算中心的建设,为科研、产业、城市服务提供人工智能平台的构建基础,进一步通过智能化计算平台实现人才聚集、产业升级、发展。
2、相关技术中,随着人工智能、深度学习等计算密集型任务的应用不断增加,传统的高能耗设备已经无法满足环境保护的需求。构建低能耗运算器有助于降低设备的功耗,减少整个数据中心的能耗消耗,进而节约能源,减少碳排放,推动绿色可持续发展。此外,在大规模的数据中心和智能计算平台中,能耗是一个重要的支出成本,因而,构建低能耗运算器可以降低设备运行的电费支出,提高设备的运行效率。
3、因此,在保证计算性能的前提下,如何尽可能降低运算器的功耗、优化能效,实现低能耗与高性能的平衡,是一个亟待解决的技术问题。
技术实现思路
1、本申请提供了运算器芯片功耗管理方法、计算子系统以及智能计算平台,用以降低运算器的功耗、优化能效,为运算器实现低能耗与高性能的平衡,提高设备的运行效率。
2、第一方面,本申请提供了运算器芯片功耗管理方法,该方法包括:
3、获取目标运算器芯片的实时运行数据;所述实时运行数据用于表示目标运算器芯片的实时运行情况;
4、采用芯片多模态功耗预测模型,对所述实时运行数据在不同工作模式下的芯片功耗进行预测,以获得适用于目标运算器
5、动态配置目标运算器芯片的实时运行参数,以使目标运算器芯片达到目标工作模式;
6、所述芯片多模态功耗预测模型至少包括:特征提取层、实时学习预测层、动态关联网络预测层和预测机制整合层;
7、所述采用芯片多模态功耗预测模型,对所述实时运行数据在不同工作模式下的芯片功耗进行预测,以获得适用于目标运算器芯片的目标工作模式,包括:
8、通过特征提取层,从所述实时运行数据中提取目标运算器芯片的实时负载特征以及任务运行需求特征;
9、通过实时学习预测层,采用实时学习任务网络中不同工作模式下的功耗模型,对实时负载特征以及任务运行需求特征进行学习,以预测得到目标运算器芯片在不同工作模式下的第一功耗预测数据;
10、通过动态关联网络预测层,基于动态关联网络中各个关联单元之间的动态路由关系,获取目标运算器芯片在不同工作模式下第一功耗预测数据之间的电路空间关系特征以及能耗关联特征;
11、通过预测机制整合层,根据电路空间关系特征以及能耗关联特征,对目标运算器芯片在不同工作模式下的第一功耗预测数据进行动态优化,以得到优化后的第二功耗预测数据;基于第二功耗预测数据以及动态调整的实时任务需求,选取适用于目标运算器芯片的目标工作模式;
12、其中,在第二功耗预测数据满足所述实时任务需求的工作模式中,目标工作模式对应的第二功耗预测数据的数值最低。
13、第二方面,本申请实施例提供了一种计算子系统,该系统包括:
14、获取单元,被配置为获取目标运算器芯片的实时运行数据;所述实时运行数据用于表示目标运算器芯片的实时运行情况;
15、预测单元,被配置为采用芯片多模态功耗预测模型,对所述实时运行数据在不同工作模式下的芯片功耗进行预测,以获得适用于目标运算器芯片的目标工作模式;其中,目标工作模式为目标运算器芯片满足实时运行需求时芯片功耗最低的一种工作模式;
16、动态配置单元,被配置为动态配置目标运算器芯片的实时运行参数,以使目标运算器芯片达到目标工作模式;
17、所述芯片多模态功耗预测模型至少包括:特征提取层、实时学习预测层、动态关联网络预测层和预测机制整合层;
18、所述预测单元,采用芯片多模态功耗预测模型,对所述实时运行数据在不同工作模式下的芯片功耗进行预测,以获得适用于目标运算器芯片的目标工作模式,具体被配置为:
19、通过特征提取层,从所述实时运行数据中提取目标运算器芯片的实时负载特征以及任务运行需求特征;
20、通过实时学习预测层,采用实时学习任务网络中不同工作模式下的功耗模型,对实时负载特征以及任务运行需求特征进行学习,以预测得到目标运算器芯片在不同工作模式下的第一功耗预测数据;
21、通过动态关联网络预测层,基于动态关联网络中各个关联单元之间的动态路由关系,获取目标运算器芯片在不同工作模式下第一功耗预测数据之间的电路空间关系特征以及能耗关联特征;
22、通过预测机制整合层,根据电路空间关系特征以及能耗关联特征,对目标运算器芯片在不同工作模式下的第一功耗预测数据进行动态优化,以得到优化后的第二功耗预测数据;基于第二功耗预测数据以及动态调整的实时任务需求,选取适用于目标运算器芯片的目标工作模式;
23、其中,在第二功耗预测数据满足所述实时任务需求的工作模式中,目标工作模式对应的第二功耗预测数据的数值最低。
24、第三方面,本申请实施例提供了一种计算设备,所述计算设备包括:
25、至少一个处理器、存储器和输入输出单元;
26、其中,所述存储器用于存储计算机程序,所述处理器用于调用所述存储器中存储的计算机程序来执行第一方面的运算器芯片功耗管理方法。
27、第四方面,提供了一种计算机可读存储介质,其包括指令,当其在计算机上运行该指令时,使得计算机执行第一方面的运算器芯片功耗管理方法。
28、本申请实施例提供的技术方案中,首先,获取目标运算器芯片的实时运行数据。其中,实时运行数据用于表示目标运算器芯片的实时运行情况。进而,采用芯片多模态功耗预测模型,对所述实时运行数据在不同工作模式下的芯片功耗进行预测,以获得适用于目标运算器芯片的目标工作模式。其中,目标工作模式为目标运算器芯片满足实时运行需求时芯片功耗最低的一种工作模式。这样,可以根据实时运行数据和芯片功耗预测结果及时作出调整,确保芯片在不同工作负载下都能保持最佳的功耗表现。最后,动态配置目标运算器芯片的实时运行参数,以使目标运算器芯片达到目标工作模式。从而,在节能的前提下保证芯片仍能满足实时运行需求,这种动态性能调整能够有效平衡功耗和性能之间的关系,提高系统整体性能。这样,定制适用于目标运算器芯片的工作模式,可以有效降低功耗造成的潜在风险,提高系统的稳定运行能力。
29、本申请技术方案中,通过实时监测目标运算器芯片的实时运行数据,并根据多模态功耗预测模型预测不同工作模式下的功耗情况,动态调整运算器芯片的工作参数,实现了对芯片工作功耗的精准预测和管理。这将使目标运算器芯片在满足实时运行需求的同时,选择功耗最低的工作模式,从而实现节能优化,降低能耗消耗。
本文档来自技高网...【技术保护点】
1.一种运算器芯片功耗管理方法,其特征在于,包括:
2.根据权利要求1所述的运算器芯片功耗管理方法,其特征在于,所述芯片多模态功耗预测模型还包括:实时任务需求提取层;
3.根据权利要求1所述的运算器芯片功耗管理方法,其特征在于,实时学习预测层至少包括:实时学习任务网络;所述实时学习任务网络至少包括:多任务特征提取层、实时学习层和优化层;
4.根据权利要求3所述的运算器芯片功耗管理方法,其特征在于,所述通过实时学习层,对各个任务提取分支中提取的实时任务运行特征进行元计算,以获得目标运算器芯片在不同工作模式下的第一功耗预测数据,包括:
5.根据权利要求4所述的运算器芯片功耗管理方法,其特征在于,迭代计算过程表示为如下公式:
6.根据权利要求3所述的运算器芯片功耗管理方法,其特征在于,实时学习预测层还包括:实时学习器;
7.根据权利要求1所述的运算器芯片功耗管理方法,其特征在于,所述动态关联网络预测层至少包括:动态关联网络;
8.一种计算子系统,其特征在于,所述计算子系统包括:
9.一种智能
...【技术特征摘要】
1.一种运算器芯片功耗管理方法,其特征在于,包括:
2.根据权利要求1所述的运算器芯片功耗管理方法,其特征在于,所述芯片多模态功耗预测模型还包括:实时任务需求提取层;
3.根据权利要求1所述的运算器芯片功耗管理方法,其特征在于,实时学习预测层至少包括:实时学习任务网络;所述实时学习任务网络至少包括:多任务特征提取层、实时学习层和优化层;
4.根据权利要求3所述的运算器芯片功耗管理方法,其特征在于,所述通过实时学习层,对各个任务提取分支中提取的实时任务运行特征进行元计算,以获得目标...
【专利技术属性】
技术研发人员:邓练兵,巩志国,王岩,
申请(专利权)人:广东琴智科技研究院有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。