利用机器学习实现的高效片上系统（SoC）功耗估算

《IEEE Transactions on Very Large Scale Integration (VLSI) Systems》：Efficient SoC Power Estimation With Machine Learning

本文提出基于机器学习的ML-Power功耗估算框架，通过功率代理信号解决RTL模拟和功耗模型评估的关键瓶颈，并扩展至SoC设计。框架包含三个组件：PACE加速模拟，SCOPE优化代理选择与模型训练，RECAL处理可配置IP块。实验表明ML-Power在ARM和RISC-V SoC上误差低于10%，训练配置少且速度提升显著。

　　

摘要：

我们提出了“Machine Learning Power”（ML-Power）这一基于机器学习的框架，它是首个能够：1) 通过解决RTL仿真和功耗模型评估这两个关键瓶颈来加速端到端RTL功耗估算的框架；2) 将基于机器学习的功耗模型扩展到包含可配置知识产权（IP）模块的系统级芯片（SoCs）的框架。ML-Power利用一组称为“功耗代理”（power proxies）的少量内部信号，预测每个SoC模块的功耗随时间的变化情况。该框架由三个组件构成：基于机器学习的功耗代理活动估算（PACE），该组件利用时空相关性来选择合适的功耗代理；基于机器学习的功耗模型评估（SCOPE）；以及基于主动学习（RECAL）的代表性配置选择机制。PACE训练一个序列到序列（seq2seq）的机器学习模型，将事务级执行轨迹转换为功耗代理信号的周期级轨迹，从而可以使用速度更快的仿真模型替代RTL仿真。SCOPE为SoC中的每个模块选择合适的功耗代理并训练相应的功耗模型。RECAL通过主动学习机制选择一组具有代表性的配置，这些配置用于训练一个能够覆盖整个设计空间的统一功耗模型。我们在ARM SSE-300 SoC和两个基于RISC-V的SoC上对ML-Power进行了测试。与现有的最先进的基于机器学习的功耗估算框架相比，SCOPE训练功耗模型的速度提高了约65倍，所需功耗代理的数量减少了40%，且估算误差降低了2%。对于这两个包含可配置IP模块的RISC-V SoC，ML-Power仅使用10–14种训练配置，就能在整个设计空间内将每周期功耗的估算误差控制在10%以内。此外，ML-Power在推理时间上的加速效果达到了商用RTL功耗估算工具的约300倍，同时每周期功耗的估算误差仍保持在7%以下。