功耗|既快又准并且低开销！一作亲解MICRO 2021最佳论文：一种自动化功耗模拟架构( 二 )

文章插图

运行管理中最常见问题在于peak power mitigation。最大功耗有一个阈值，如果超过了阈值，就需要进行管理，使功耗压降低，否则会出现一系列的问题。管理power的峰值通常要准确实时计算power。在CPU运行时，根据power的计算减少给定CPU的指令，随之功耗就会降低。
但现在在设计CPU时，很多情况下都是人工在芯片上找能够模拟功耗的信号，这种方式不仅困难而且非常不准确。
此外，更重要的一个问题是快速电流的变化（或者power的变化）会导致一个很快的电压降叫做voltage-droop。

文章插图

图注：电流的快速变化导致的电压的急剧变化

如图所示，起初电压保持不变，假设这一段时间CPU处于睡眠状态，没有执行任何指令。然后突然运行一个很大的程序，此时功耗和电流会突然增大。di/dt(即电流对时间求导)电流的变化量也会变得非常大。此时voltage-droop从1伏变成0.9伏，这会造成很多问题。要避免这个问题也并非容易，由于发生时间非常短暂，因此对应的处理策略也必须要在极短的时间内将其控制住。

既然输电上存在这么多问题，因此在芯片设计时，就要充分模拟芯片CPU上会遇到的各种问题。但如果要做到真实模拟代价是非常大。

文章插图

工业界标准的 Power模拟流程

上图所示的模式是非常准确的，但可能需要花费几周时间，并且非常昂贵，反复花几周时间进行模拟是非常困难的。即使花费了几周时间，拿到了准确的power，但得到的power是平均power，这中间可能存在几千甚至几百万个周期，一个平均power是不够用的。我们还关心最大power、一瞬间的最大power、快速变化时power的变化等等。

文章插图

不同类型的power simulation的方法

Netlist Simulation是上述介绍的最准确的，但可能需要花费几周时间。APOLLO位于蓝点位置，在保持速度快的同时，准确率很高（虽然不是最准确但准确率可达90%）。

APOLLO优异性质概括

首先，它在设计和运行时，都能够对power进行既快又准地预测。在商业化的CPU上能够做到90%~95%的正确率，我们把它在Neoverse N1 CPU上进行实现，我们发现它面积的overhead只有0.2%。
其次，对于任何一个设计该模型都可以自动生成。
不仅如此，每个cycle都能得到一个准确的power，时间分辨率非常好。
而且我们认为APOLLO模型可以延展到更高层次的模拟。

预测结果实例

文章插图

我们在Neoverse N1商业化的CPU上面，运行了一个workload。这个workload非常大，一共有1700万个时钟周期。我们对这1700万个时钟周期的每一个cycle都进行预测，上图展示的是4万个。在工业界用传统的方法可能需要两个星期的时间，而用我们的方法的，几分钟就可以做完。
准确率高、速度快的同时，对存储的要求减少了100倍以上，只需要存我们感兴趣的信号，这也是一个非常大的提升。保持这样的速度、准确度，得到每个周期的power这在之前的工作中几乎是做不到的。