模型训练方法、热预测方法、装置、电子设备及存储介质与流程

摘要: 本公开属于芯粒热仿真领域,涉及模型训练方法,特别是涉及模型训练方法、热预测方法、装置、电子设备及存储介质。背景技术:1、随着集成电路迈入后摩尔时代,多芯粒(ch...
模型训练方法、热预测方法、装置、电子设备及存储介质与流程

本公开属于芯粒热仿真领域,涉及模型训练方法,特别是涉及模型训练方法、热预测方法、装置、电子设备及存储介质。

背景技术:

1、随着集成电路迈入后摩尔时代,多芯粒(chiplet)集成与先进封装技术成为延续摩尔定 律、提升系统算力的关键路径。然而,芯粒高密度集成带来的热聚集效应严重威胁系统可靠 性。在进行热感知的芯粒布局优化探索时,传统热仿真工具(如 hotspot)虽然具备较高的 物理准确性,但其秒级的单次仿真延迟限制了成千上万次迭代的布局搜索效率。因此目前的 热预测方法存在着热预测效率低的问题。

技术实现思路

1、本公开的目的在于提供模型训练方法、热预测方法、装置、电子设备及存储介质,用于解决现有热预测方法存在着的热预测效率低的问题。

2、第一方面,本公开实施例提供一种模型训练方法,包括:获取若干组多芯粒集成系统的芯粒几何尺寸、宽高比约束、芯粒功耗;将所述多芯粒集成系统的芯粒互连拓扑结构建模为无向加权图;基于所述无向加权图、所述几何尺寸和所述宽高比约束生成多芯粒布局;基于输入张量对初始多芯粒集成系统热力预测模型进行训练,以获取完成训练的多芯粒集成系统热力预测模型,所述输入张量包括所述多芯粒布局的功耗网格、布局掩码和x、y两路坐标映射图。

3、于本公开的一实施例中,基于输入张量对初始多芯粒集成系统热力预测模型进行训练,以获取完成训练的多芯粒集成系统热力预测模型的实现方法包括:对所述输入张量进行不同分辨率的特征提取处理,以获取基于不同分辨率的提取特征图;基于所述多芯粒布局的总功耗密度,通过特征级线性调制层对所述提取特征图进行特征级线性调制,以获取基于不同分辨率的目标特征图;对所述目标特征图进行处理,以获取预测温度网格和预测全局平均温度;基于所述预测温度网格、所述预测全局平均温度、真实温度网格、真实全局平均温度和预设损失函数对所述初始多芯粒集成系统热力预测模型进行调优处理,以获取所述完成训练的多芯粒集成系统热力预测模型。

4、于本公开的一实施例中,通过第一特征提取模块对所述输入张量进行特征提取处理,以获取基于所述第一分辨率的提取特征图;对所述第一分辨率的提取特征图进行下采样,以获取基于第二分辨率的中间特征图;通过第二特征提取模块对所述第二分辨率的中间特征图进行特征提取处理,以获取基于所述第二分辨率的提取特征图;对所述第二分辨率的提取特征图进行下采样,以获取基于第三分辨率的中间特征图;通过第三特征提取模块对所述第三分辨率的中间特征图进行特征提取处理,以获取基于所述第三分辨率的提取特征图。

5、于本公开的一实施例中,对所述目标特征图进行处理,以获取预测温度网格和预测全局平均温度的实现方法包括:通过不同分辨率对应的残差模块对其对应分辨率的目标特征图进行特征提取处理,以获取不同分辨率对应的输出特征图;通过交换模块对所述输出特征图进行特征交换处理,以获取交换特征;通过多尺度特征融合头对所述交换特征进行融合处理,以获取融合特征;对所述融合特征进行特征提取处理,以获取所述预测温度网格;将所述交换特征由平均池化层和 mlp 进行处理,以获取所述预测全局平均温度。

6、于本公开的一实施例中,基于所述多芯粒布局的总功耗密度,通过特征级线性调制层对所述提取特征图进行特征级线性调制,以获取基于不同分辨率的目标特征图的实现方法包括:基于所述多芯粒布局的总功耗密度,通过所述特征级线性调制层对所述基于所述第一分辨率的提取特征图进行特征级线性调制,以获取基于所述第一分辨率的目标特征图;基于所述多芯粒布局的总功耗密度,通过所述特征级线性调制层对所述基于所述第二分辨率的提取特征图进行特征级线性调制,以获取基于所述第二分辨率的目标特征图;基于所述多芯粒布局的总功耗密度,通过所述特征级线性调制层对所述基于所述第三分辨率的提取特征图进行特征级线性调制,以获取基于所述第三分辨率的目标特征图。

7、于本公开的一实施例中,基于所述无向加权图、所述几何尺寸和所述宽高比约束生成多芯粒布局的实现方法包括:基于所述无向加权图中的芯粒互连权重,对芯粒进行连通性感知聚类,以将互连密度满足预设条件的芯粒划分为同一芯粒组;基于各所述芯粒组的聚类连通强度,对各所述芯粒组进行排序,以获取芯粒组排序结果;基于各所述芯粒组中组内各芯粒的面积降序,对组内各芯粒进行排序,以获取组内芯粒排序结果,所述芯粒的面积由所述几何尺寸确定;基于所述芯粒组排序结果和所述组内芯粒排序结果生成各芯粒的候选放置位置,所述候选放置位置根据预设锚点和已布局相邻芯粒的质心生成;对所述候选放置位置进行约束处理和紧凑优化,以生成满足预设约束条件的所述多芯粒布局,所述预设约束条件包括所述宽高比约束。

8、第二方面,本公开实施例提供一种热预测方法,包括:获取待预测的输入张量,所述输入张量包括多芯粒布局的功耗网格、布局掩码和x、y两路坐标映射图;通过第一方面任一项所述的完成训练的多芯粒集成系统热力预测模型对所述待预测的输入张量进行处理,以获取预测温度网格和预测全局平均温度。

9、第三方面,本公开实施例提供一种模型训练装置,包括:芯粒参数获取模块,用于获取若干组多芯粒集成系统的芯粒几何尺寸、宽高比约束、芯粒功耗;互连拓扑建模模块,用于将所述多芯粒集成系统的芯粒互连拓扑结构建模为无向加权图;芯粒布局生成模块,用于基于所述无向加权图、所述几何尺寸和所述宽高比约束生成多芯粒布局;预测模型训练模块,用于基于输入张量对初始多芯粒集成系统热力预测模型进行训练,以获取完成训练的多芯粒集成系统热力预测模型,所述输入张量包括所述多芯粒布局的功耗网格、布局掩码和x、y两路坐标映射图。

10、第四方面,本公开实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现第一方面任一项所述模型训练方法和/或第二方面所述热预测方法。

11、第五方面,本公开实施例提供一种电子设备,包括:存储器;处理器,与所述存储器耦合,并且被配置为执行根据第一方面任一项所述模型训练方法和/或第二方面所述热预测方法。

12、如上所述,本申请所述模型训练方法、热预测方法、装置、电子设备及存储介质,具有以下有益效果:

13、该方法通过基于生成的多芯粒布局对初始多芯粒集成系统热力预测模型,获得完成训练的多芯粒集成系统热力预测模型,所述完成训练的多芯粒集成系统热力预测模型相比于传统热仿真工具能够快速对多芯粒集成系统进行热预测,从而提高热预测效率。

1.一种模型训练方法,其特征在于,包括:

2.根据权利要求1所述的模型训练方法,其特征在于,基于输入张量对初始多芯粒集成系 统热力预测模型进行训练,以获取完成训练的多芯粒集成系统热力预测模型的实现方法包括:

3.根据权利要求2所述的模型训练方法,其特征在于,对所述输入张量进行不同分辨率的 特征提取处理,以获取基于不同分辨率的提取特征图的实现方法包括:

4.根据权利要求3所述的模型训练方法,其特征在于,对所述目标特征图进行处理,以获取预测温度网格和预测全局平均温度的实现方法包括:

5.根据权利要求3所述的模型训练方法,其特征在于,基于所述多芯粒布局的总功耗密度,通过特征级线性调制层对所述提取特征图进行特征级线性调制,以获取基于不同分辨率的目标特征图的实现方法包括:

6.根据权利要求1所述的模型训练方法,其特征在于,基于所述无向加权图、所述几何尺寸和所述宽高比约束生成多芯粒布局的实现方法包括:

7.一种热预测方法,其特征在于,包括:

8.一种模型训练装置,其特征在于,包括:

9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-6任一项所述模型训练方法或权利要求7所述的热预测方法。

10.一种电子设备,其特征在于,包括: