[发明专利]一种RISC-V处理器的设计空间探索方法

说明书

本发明公开了一种RISC‑V处理器的设计空间探索方法，基于设计空间搜索算法优化，增加了自主学习算法，为搜索算法提供关键性信息，对CNN网络中各层的敏感度提前进行分析，使其占处理器的计算资源和存储空间更小，搜索效率更高，优化效果更好。利用麻雀搜索算法优化卷积神经网络，极大的提高了预测模型的精度，缩短了模拟计算的时间。优化处理器对卷积神经网络的卷积运算，降低DSP单元的资源需求，提高处理器中流水线指令并行度，极大的降低了处理器芯片设计的周期时长，优化了处理器的性能。

技术领域

本发明涉及处理器芯片的技术领域，尤其涉及到一种RISC-V处理器的设计空间探索方法。

背景技术

RI SC-V指令集作为一种开源免费的指令集已经受到业界的广泛关注，它是基于精简指令集原则的开放式指令集架构，同时其具有架构简单、指令集模块化、可扩展指令等特点，可实现自定义功能芯片的设计，提高了处理器的灵活性和高效能。

随着集成电路工艺的进步、系统结构设计的复杂度不断提高、人工智能的迅速发展，对处理器性能要求不断提高，处理器设计相关参数愈来愈多，使得处理器设计空间呈指数式增大，处理器的设计空间由所有影响处理器基准测试程序响应的参数构成，但当采用不同基准测试来验证一个架构时，需要花费大量时间得到指标，软件模拟技术极其费时，给我们带来了巨大的计算能耗以及投入成本，因此遍历和评估每个微体系结构以探索出最佳体系结构不切实际。而架构设计是芯片设计中的关键环节，直接影响着芯片的性价比。针对上述问题，研究人员为提高设计空间探索的效率提出了许多加速设计空间探索技术，比如：

(1)缩短模拟器模拟单个配置的时间

快速的模拟技术主要通过减少模拟指令来加速模拟，比较著名的有SimPoi nt和SMARTS，可以将测试程序中有代表性的指令踪迹提取出来。然后快速模拟运行测试程序，将程序中基本块的执行次数构成基本块矢量，根据矢量块的相似程度经聚类算法将测试程序分成不同类，在每一类内选择出一个样本做为代表。最后，测试程序的代表性模拟点取为所得到的代表样本。根据每一个样本的权重大小，反应整个测试程序的行为特征。能够极大地加快单个模拟的速度。这些方法在一定程度上减少了设计空间探索中的模拟成本。

(2)采用搜索算法

为了从庞大的设计空间中寻找满足约束条件的最优参数组合，研究人员基于随机遍历、模拟退火、蚁群算法、遗传算法、禁忌搜索算法等传统设计空间探索算法对处理器进行启发式加速，通过结合高效的搜索算法，解决特定应用场景的问题。

除此之外，Joseph等人提出基于径向基函数(RBF)的非线性回归模型预测处理器性能。为了减少模拟时间，Khan和Dubach提出了基于反应构建预测模型，只要周期精确的模拟新程序在少量处理器配置上的运行，获取性能指标作为预测模型的输入，就能得到预测结果。考虑到随机采样训练样本的缺点，Li等人提出基于主动学习采样的设计空间探索方法。

(3)提高处理器中流水线指令并行度

处理器开发指令级并行的关键技术，包括流水线、乱序执行、多发射、超标量和预测技术等。现代微处理器为了提高指令级的并行性，普遍向着超标量和深流水体系结构发展。然而，程序中众多的条件分支指令会打破正常的取指和执行流程，造成流水线中断，严重影响流水线的执行效率。为了减少分支指令造成的控制流开销和增加流水线的吞吐率，就需要实现兼具高预测准确率和低错误预测惩罚延迟的先进分支预测器。虽然分支预测是一个比较传统的性能提升技术，但是仅仅0.01％的预测准确率提升，在巨大的指令基数下，因减少总分支误预测惩罚带来的性能增益以及减少在错误路径上执行指令数量带来的能耗节省也是相当可观的。

上述方法虽然在一定程度上减少了设计空间的模拟成本，但设计空间中的配置数量太过于庞大，仅仅通过减少单个配置模拟的时间非常有限，且还存在算力大，预测模型精度不足等问题。

发明内容