基于机器学习非线性回归算法预测NoC元件的PPA行为。
现代NoC(片上网络)由复杂的功能块组成，如分组交换机和协议转换器。这些组件的PPA(性能/功率/面积)估计在早期设计阶段是非常可取的——远早于合成NoC栅极级网络列表。在这个阶段，NoC组件是一个软模块，由一组架构参数描述，如入口和出口端口的位宽、虚拟通道的数量等。
该方法试图基于机器学习非线性回归算法预测NoC组件的PPA行为。该系统由几个层组成。在底部，Synopsys Physical Compiler用于合成一个带有输入参数(特征)组合的NoC组件，并捕获其特征。这个结果成为训练集中的一个数据点。当它足够大时，这个集合被用于训练快速模型，预测在训练期间没有执行参数值的组件的PPA。这些模型可以插入到NoC设计工具中，帮助用户进行可行性和假设分析。
由Arteris IP的Benny Winefeld，解决方案架构师，在Synopsys用户组(SNUG)， 2019年3月，SNUG硅谷。
点击在这里阅读更多
|
|
|
|
|
|
|
|
留下回复