OneDSE: Metric-Conditioned Inverse Modeling and Active Search for Sample-Efficient DSE
Dit artikel introduceert OneDSE, een efficiënt raamwerk voor CPU- en hardware-design space exploration dat metriek-geconditioneerd invers ontwerp (MIND) en een surrogaat-ondersteunde actieve zoeklus (SAIL) verenigt om snel hoogwaardige ontwerpen te identificeren met aanzienlijk minder evaluaties dan bestaande methoden.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Moderne computers zijn de motoren van onze digitale wereld en voeden alles, van de smartphones in onze zakken tot de enorme datacentra die het internet draaiende houden. Decennialang werden deze machines sneller en efficiënter simpelweg door de minuscule transistoren binnenin hun chips te verkleinen, een trend die bekend staat als de Wet van Moore. Echter, die fysieke verkleining is tegen een muur gelopen; we kunnen de componenten niet langer veel kleiner maken zonder tegen fundamentele limieten van de natuurkunde en het energieverbruik aan te lopen. Om de prestaties te blijven verbeteren, moeten ingenieurs nu innoveren in het ontwerp zelf, waarbij ze de interne architectuur van de processor herarrangeren om meer werk te verrichten met dezelfde hoeveelheid energie. Dit proces, genaamd design space exploration (verkenning van de ontwerpomvang), houdt in dat er talloze combinaties van instellingen worden getest — zoals de grootte van geheugencaches of de breedte van datapaden — om de perfecte configuratie te vinden. Het probleem is dat het aantal mogelijke combinaties zo enorm is, ongeveer een triljoen triljoen, dat het testen ervan één voor één onmogelijk is, zelfs met de snelste supercomputers.
Jarenlang was de standaardaanpak voor dit probleem het raden van een ontwerp, het uitvoeren van een gedetailleerde simulatie om te zien hoe het presteert, en vervolgens dat resultaat gebruiken om het volgende ontwerp te raden. Het is een vooruitkijkend proces: "Als ik het op deze manier bouw, wat zal er dan gebeuren?" Maar deze methode is ontzettend traag en blijft vaak steken in lokale vallen, waarbij betere oplossingen worden gemist die vereisen dat er tegelijkertijd aan veel onderdelen van het ontwerp wordt veranderd. Een team van onderzoekers van Georgia Tech, de University of Michigan en Condor Computing heeft een radicale verschuiving in strategie voorgesteld. In plaats van te vragen wat een ontwerp zal bereiken, stellen zij de omgekeerde vraag: "Welk ontwerp moet ik bouwen om deze specifieke prestatiedoelen te bereiken?" Door het probleem om te draaien, creëerden zij een systeem genaamd OneDSE dat hoogwaardige processorontwerpen kan vinden met een fractie van de rekenkracht die voorheen vereist was.
De kern van dit nieuwe systeem berust op een diep begrip van hoe een processor interacteert met de software die hij uitvoert. De prestaties van een processor hangen niet alleen af van zijn eigen interne instellingen; ze zijn ook sterk afhankelijk van de specifieke taken die hem gevraagd worden. De onderzoekers ontdekten dat als je het systeem precies vertelt welk soort werk de processor zal doen — door het te voeden met een gedetailleerd verslag van de instructies die de software uitvoert — het systeem het benodigde hardwareontwerp met opmerkelijke nauwkeurigheid kan voorspellen. Ze trainden een geavanceerd computermodel, een type kunstmatige intelligentie bekend als een transformer, op een grote collectie willekeurige processorontwerpen en hun prestatieresultaten. Dit model leerde om specifieke prestatiedoelen, zoals een gewenste snelheid en een limiet op de fysieke omvang, direct terug te koppelen naar de specifieke hardware-instellingen die nodig zijn om die doelen te bereiken.
In hun tests bleek deze inverse aanpak verbazingwekkend efficiënt. Wanneer de onderzoekers het systeem vroegen om ontwerpen te vinden voor vijf verschillende complexe workloads, identificeerde het systeem topconfiguraties na het draaien van slechts een handvol gedetailleerde simulaties, soms slechts één tot vijfentwintig. In contrast hiermee hadden traditionele methoden, die vertrouwen op evolutionaire algoritmen die ontwerpen langzaam muteren over duizenden pogingen, tientallen of zelfs honderden keren meer simulaties nodig om ontwerpen van vergelijkbare kwaliteit te vinden. Bijvoorbeeld, bij één specifieke workload vond het nieuwe systeem een ontwerp in slechts enkele minuten, terwijl de traditionele methode bijna duizend keer langer nodig had om dat te evenaren. Het systeem werkt door door een reeks gewenste prestatiedoelen te vegen en direct het bijbehorende hardwareblauwdruk te genereren, waardoor het onnodige ronddwalen door het enorme landschap van mogelijkheden wordt omzeild.
De onderzoekers erkenden echter dat een enkele voorspelling, hoe goed ook, misschien niet perfect is. Om ervoor te zorgen dat ze de absoluut beste ontwerpen konden bereiken, bouwden ze een tweede laag rond hun voorspellingsmodel genaamd een measurement loop (meetlus). Dit systeem gebruikt de initiële voorspellingen als startpunt, maar maakt vervolgens gebruik van een reeks gecoördineerde hulpmiddelen om grotere, meer strategische veranderingen aan het ontwerp aan te brengen. Traditionele zoekmethoden falen vaak omdat ze proberen een ontwerp te verbeteren door slechts één klein onderdeel tegelijk te veranderen. Maar bij het ontwerpen van processors is een betere oplossing vaak vereist die meerdere onderdelen tegelijkertijd verandert — zoals het verbreden van de data-inlaat terwijl ook het geheugenopslag en de verwerkingswachtrij worden uitgebreid om daarbij aan te sluiten. Als je slechts één onderdeel verandert, presteert het systeem vaak slechter, wat een dal creëert waarin de zoektocht vastloopt. De nieuwe coördinatiehulpmiddelen van het systeem laten het toe om over deze dalen te springen door meerdere instellingen tegelijk aan te passen, geleid door de initiële voorspellingen om op het juiste pad te blijven.
De resultaten van deze gecombineerde aanpak waren beslissend. Met slechts 512 gedetailleerde simulaties bereikte het systeem een prestatieniveau dat 98% van het beste ontwerp was dat door een traditionele methode werd gevonden die 6.400 simulaties draaide. In sommige gevallen overtrof het zelfs de beste resultaten van de traditionele methode. Cruciaal is dat de ontwerpen die het vond volledig nieuw waren; het systeem ontdekte configuraties die de traditionele methode nooit had overwogen. De onderzoekers demonstreerden ook dat deze aanpak niet beperkt is tot centrale processoren. Ze pasten dezelfde techniek succesvol toe op het ontwerpen van controllers voor computergeheugen en zelfs voor gespecialiseerde chips die worden gebruikt voor kunstmatige intelligentie, wat aantoont dat de methode flexibel genoeg is om verschillende soorten hardware-uitdagingen aan te kunnen.
Dit werk vormt een belangrijke stap voorwaarts in de manier waarop ingenieurs de toekomst van computing benaderen. Door het traditionele ontwerpproces om te draaien en de workload zelf als gids te gebruiken, hebben de onderzoekers aangetoond dat het mogelijk is om de immense complexiteit van modern chipontwerp te navigeren met veel minder middelen. Het systeem bespaart niet alleen tijd; het opent nieuwe mogelijkheden voor het vinden van optimale ontwerpen die voorheen verborgen bleven omdat de zoekmethoden te traag of te rigide waren om ze te vinden. Naarmate de vraag naar snellere en efficiëntere computing blijft groeien, zullen instrumenten zoals deze essentieel zijn om de volgende generatie technologische innovatie te ontsluiten zonder te hoeven wachten tot de wetten van de natuurkunde veranderen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.