处理器能力预测;processing-in-memory;充电快的挑战。
处理器能力预测
来自杜克大学的研究人员,部门研究,德州农工大学研制出一种人工智能的方法预测电力消耗的处理器,返回结果超过一万亿次每秒的同时消耗很少的能量本身。
“这是一个深入研究的问题,一直依赖额外的电路来解决,”谢Zhiyao表示,杜克大学的博士生。“但是我们的方法直接在微处理器上运行的背景下,打开了许多新的机会。我想这就是为什么人们兴奋。”
的方法,称为阿波罗,使用人工智能算法来识别和选择100处理器的数以百万计的信号关联最密切的功耗。然后构建一个功耗模型的100信号与监控他们预测整个芯片的实时性能。
“阿波罗的方法理想功率估计算法既准确又快,可以很容易地构建到一个处理核心成本低功率,”谢说。”,因为它可以用于任何类型的处理单元,它可以成为未来的芯片设计中常见的组件。”
除了监控能耗,研究人员说,它可以作为一个工具来优化处理器设计。
“人工智能选择100信号后,你可以看看这个算法,看看它们是什么,”谢说。“很多选择直观的意义,但即使他们不,他们可以为设计师提供反馈,告诉他们哪些流程最强烈与功耗和性能。”
阿波罗原型在手臂Neoverse N1和Cortex-A77微处理器。
模拟-数字转换为processing-in-memory少
圣路易斯华盛顿大学的研究人员,上海交通大学,中国科学院,香港中文大学的一个新的设计processing-in-memory(PIM)电路,使用神经接近者减少模拟信息,需要转换成数字。
说:“今天的数据密集型计算挑战宣张“西尔维亚”,电力与系统工程系副教授在圣路易斯华盛顿大学。“我们需要处理大量的数据,创建一个性能瓶颈接口的处理器和内存。”
团队创建了一个电阻随机存取存储器PIM,或RRAM-PIM。在电阻式记忆”,你不需要翻译数字,或二进制。你可以保留在模拟域。如果您需要添加,你连接两个电流,”张说。“如果你要用,你可以调整电阻的值。”
然而,RRAM-PIM遇到瓶颈时,确实有被转换成数字信息。减少,团队增加了一个神经接近者。“神经接近者是建立在神经网络可以逼近任意函数,”张说。
在RRAM-PIM架构中,一旦横梁的电阻阵列所做的计算,答案是翻译成数字格式。在实践中,这意味着每一列的结果加起来的电阻电路。每一列产生的部分结果。每个都必须转换成数字,一个能源密集型的操作。
神经接近者使这个过程更有效率的执行多个计算列,在列,或以任何方式是最有效的。这将导致更少的adc和提高计算效率,研究人员说。
“不管多少RRAM生成的模拟部分和横梁数组列- 18岁或64或128 -我们只是需要一个模拟到数字的转换,“曹Weidong说,圣路易斯华盛顿大学的博士后研究员。“我们使用硬件实现实现理论低。”
研究人员说这种方法可以为大规模的PIM电脑有大好处。
充电快挑战
阿贡国家实验室的研究人员和伊利诺伊大学香槟分校发现时出现的一些问题电池充电过快,阻碍电池寿命,例如电动汽车充电快。
锂离子电池一般使用一个阳极石墨制成的。锂离子插入自己的阳极的过程称为夹层。过快时,电池充电,而不是插锂离子往往总在阳极表面,创建一个电镀效果。
“镀是在快速充电电池性能受损的主要原因,”丹尼尔·亚伯拉罕说,阿贡电池的科学家。“正如我们快速充电电池,我们发现,除了在阳极表面镀有建立反应产物在电极毛孔。“结果,阳极本身经历了某种程度的不可逆的扩张,影响电池性能。
研究人员利用扫描电子nanodiffraction观察电池。他们发现,在原子层面上,石墨的晶格原子的粒子边缘变得扭曲,因为重复快速充电,阻碍夹层的过程。“基本上,我们看到的是,在石墨原子网络变得扭曲,这可以防止锂离子粒子内找到自己的“家”——相反,他们在颗粒板,”亚伯拉罕说。
“快我们充电电池,阳极将变得越自动无序,最终将防止锂离子能够来回移动,”亚伯拉罕说。“关键是想办法避免这种损失的组织或以某种方式修改石墨粒子以便锂离子插入更有效率。”
|
|
|
|
|
|
|
|
|
|
留下一个回复