文献

J-GLOBAL ID：202102285963001579   整理番号：21A0274239

生成敵対学習による商用マルチコアCPUのためのフルチップ熱マップ推定【JST・京大機械翻訳】

Full-chip thermal map estimation for commercial multi-core CPUs with generative adversarial learning

著者 (4件)： Jin Wentian (University of California) ,  Sadiqbatcha Sheriff (University of California) ,  Zhang Jinwei (University of California) ,  Tan Sheldon X. -D. (University of California)
資料名： ACM Proceedings  (ACM Proceedings)
号： ICCAD ’20  ページ： 1-9  発行年： 2020年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,データ駆動生成広告学習法に基づいたマルチコア商用CPUのための新しい過渡完全チップ熱マップ推定法を提案した。生成ニューラルネットワークを用いた画像生成問題として熱モデリング問題を扱う。入力として従来の機能単位電力を使用する代わりに,新しいモデルは,追加の物理的センサ要求を仮定せずに,測定可能な実時間高レベルチップ利用と市販チップの熱センサ情報に直接基づいている。得られる熱マップ推定法は,市販のオフ-シェルマルチコアプロセッサの与えられた性能モニタトレースから,ツール-正確なフルチップ過渡熱マップを提供できる。本研究では,発電機と弁別器の両者は,損失関数としてWasserstein距離を有する単純な畳み込み層から成る。ThermoGANは,訓練と推論のためのいかなる歴史的データも使用せずに,過渡およびリアルタイム熱マップを提供することができ,それは,歴史的データが必要とされる最近のRNNベースの熱マップ推定法と対照的である。実験結果は,訓練されたモデルが平均RMSE0.47°C,すなわちフルスケール誤差の0.63%で熱推定において非常に正確であることを示した。さらに,著者らのデータは,モデルの速度が推論当たり7.5msより速く,従来の有限要素ベースの熱分析よりも2桁速いことを示した。さらに,新しい方法は,最近提案されたLSTMベースの熱マップ推定法より,より正確で,より速い推論速度を有する。また,最先端のプレシリコンベースの推定法よりも,はるかに少ない計算コストで,ΔΣ2x精度を達成した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 畳込み ,  弁別器 ,  *学習 ,  広告 ,  損失関数 ,  電力 ,  ニューラルネットワーク ,  熱分析 ,  画像合成 ,  演算プロセッサ ,  機械学習
準シソーラス用語： 計算コスト ,  *マルチコアプロセッサ ,  データ駆動 ,  推定法 , 【Automatic Indexing@JST】

著者キーワード (5件)： 生成敵対学習 ,  機械学習 ,  プロセッサ熱マップ ,  温度推定 ,  熱モデリング

分類 (2件)： ディジタル計算機ハードウェア一般  (JC04010C) ,  半導体集積回路  (NC03162T)

タイトルに関連する用語 (5件)： 敵対 ,  学習 ,  マルチコアCPU ,  マップ ,  推定