Core Concepts
Eine lernbasierte Methode zur Auswahl der optimalen Platzierungsreihenfolge für Chiplet-basierte Systeme, um einen Kompromiss zwischen Gesamtverkabelungslänge und Spitzentemperatur zu erreichen.
Abstract
In diesem Papier wird eine Methode zum Lernen zum Ranking mit Graphendarstellung vorgeschlagen, um die optimale Platzierungsreihenfolge für Chiplet-basierte Systeme auszuwählen. Die Methode nutzt ein Graphneuronalnetzwerk, um Informationen zu Chipletgröße, Leistungsaufnahme und Verbindungen zu erfassen, und wendet dann das Lernen zum Ranking an, um die relativen Vorzüge der Platzierungsreihenfolge effizient zu lernen.
Die Hauptergebnisse sind:
Die vorgeschlagene Methode kann die Platzierungsreihenfolge auswählen, die zu einer weiteren Verbesserung der Systemtemperatur und der Verbindungsleitungslänge zwischen Chiplets führt, im Vergleich zu Methoden, die nur die Chipletfläche und die Verbindungszahl berücksichtigen.
Anwendung der besten Platzierungsreihenfolge aus dem Lernen zum Ranking führt zu einer Verbesserung der Gesamtverkabelungslänge um 10,05% und einer Verbesserung der Spitzentemperatur um 1,01%.
Die Architektur des Lernmodells kombiniert Graphneuronalnetze und Lernen zum Ranking, um die Vorteile beider Komponenten zu maximieren.
Stats
Die Anwendung der besten Platzierungsreihenfolge aus dem Lernen zum Ranking führt zu einer Verbesserung der Gesamtverkabelungslänge um 10,05% und einer Verbesserung der Spitzentemperatur um 1,01%.
Quotes
"Eine lernbasierte Methode zur Auswahl der optimalen Platzierungsreihenfolge für Chiplet-basierte Systeme, um einen Kompromiss zwischen Gesamtverkabelungslänge und Spitzentemperatur zu erreichen."
"Anwendung der besten Platzierungsreihenfolge aus dem Lernen zum Ranking führt zu einer Verbesserung der Gesamtverkabelungslänge um 10,05% und einer Verbesserung der Spitzentemperatur um 1,01%."