面向寄存器傳輸級設(shè)計階段的高效高精度功耗預(yù)測模型

李 康 師瑞之 陳嘉偉 史江義 潘偉濤 王 杰

(西安電子科技大學(xué) 西安 710000)

1 引言

數(shù)字集成電路的集成密度和計算復(fù)雜性遵循摩爾定律的不斷發(fā)展。隨著工藝的不斷進(jìn)步，由于晶體管電壓閾值限制電源電壓無法繼續(xù)降低，同時短溝道效應(yīng)導(dǎo)致亞閾值特性退化、泄漏電流增大兩個主要原因，功耗已成為電路設(shè)計的關(guān)鍵性能目標(biāo)之一[1,2]。對于數(shù)字電路設(shè)計的功耗分析，目前最主流解決方案是使用PTPX (synopsys PrimeTime PX)工具，在邏輯綜合或者物理實現(xiàn)環(huán)節(jié)，其將網(wǎng)表和網(wǎng)表的仿真波形作為輸入工具，基于標(biāo)準(zhǔn)單元工藝庫中的參數(shù)進(jìn)行計算得到高精度的功耗分析結(jié)果。PTPX工具的功耗預(yù)估有著高精確度，但是，運(yùn)行時間長，且僅面向已經(jīng)生成網(wǎng)表的邏輯綜合或者物理實現(xiàn)階段。當(dāng)前，數(shù)字芯片對早期設(shè)計規(guī)劃(Early Design Planning, EDP)有迫切需求，若在寄存器傳輸級(Register Transfer Level, RTL)設(shè)計階段就可準(zhǔn)確預(yù)測芯片的功耗，則可在芯片設(shè)計早期調(diào)整和修復(fù)設(shè)計中不合理的架構(gòu)，降低芯片功耗。因此，面向RTL階段的功耗預(yù)估方法緊迫且重要[3]。

針對上述問題，目前，學(xué)術(shù)界嘗試?yán)脵C(jī)器學(xué)習(xí)技術(shù)來提高功耗預(yù)測的準(zhǔn)確性和降低流程的復(fù)雜性。Dhotre等人[4]使用多層感知機(jī)(Multi-Layer Perceptron, MLP)實現(xiàn)了針對電路模塊的功耗預(yù)測。Nasser等人[5]使用了活動因子和靜態(tài)概率作為功耗特征，實現(xiàn)了電路工作頻率對功耗的影響的評估。文獻(xiàn)[4,5]雖實現(xiàn)了功耗的準(zhǔn)確預(yù)估，但由于MLP僅處理向量特征，面對大規(guī)模電路的大特征量時計算成本過高，僅針對小規(guī)模電路模塊進(jìn)行原理性驗證。Zhou等人[6]提出將寄存器信號進(jìn)行3通道翻轉(zhuǎn)作為特征，并通過使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)構(gòu)建功耗模型得精確的功耗預(yù)估結(jié)果，但由于并未對電路的信號特征進(jìn)行篩選，面對大規(guī)模電路時，模型需要較長運(yùn)行時間。Kim等人[7]針對開源處理器Rocket提出了利用基于Lasso懲罰項的正則化方法實現(xiàn)信號特征篩選，較好地提升了針對RTL級電路功耗預(yù)測性能。Xie等人[8]針對Arm Cortex-A77微處理器提出了基于極小化極大凸懲罰(Minimax Concave Penalty,MCP)的信號選擇方法，實現(xiàn)了更加精確的功耗預(yù)估。但文獻(xiàn)[7,8]都是針對處理器的指令進(jìn)行功耗預(yù)估，且并未考慮工業(yè)級芯片的布局布線對于功耗的影響，與芯片的實際功耗值存在一定誤差。

為了彌補(bǔ)上述缺陷，本文提出一種面向千萬門級ASIC電路的RTL級功耗預(yù)估方法，基于機(jī)器學(xué)習(xí)方法建立了其功耗分析模型，利用信號篩選策略解決了大信號特征輸入數(shù)量對功耗預(yù)測模型的性能影響，并通過對sign-off級功耗數(shù)據(jù)的時序預(yù)處理技術(shù)得到功耗模型的標(biāo)簽數(shù)據(jù)，有效提升了模型預(yù)測的精度。本文的主要貢獻(xiàn)如下：

(1) 通過時序?qū)?zhǔn)方法對仿真波形數(shù)據(jù)進(jìn)行校正，解決了sign-off級功耗與RTL級仿真波形之間的時序偏差問題，從而可以利用物理設(shè)計反標(biāo)的功耗結(jié)果作為RTL級電路功耗模型的標(biāo)簽數(shù)據(jù)，得到更準(zhǔn)確后仿功耗預(yù)測結(jié)果。

(2) 利用正則化方法進(jìn)行功耗相關(guān)性評價的特征信號篩選，使用基于平滑剪切絕對偏差懲罰函數(shù)(Smoothly Clipped Absolute Deviation, SCAD)懲罰項的正則化方法對輸入特征信號進(jìn)行篩選處理，最終得到與功耗相關(guān)度更大的關(guān)鍵特征信號，顯著提升了功耗預(yù)測的效率。

(3) 提出一個僅擁有兩個卷積層和1個全連接層的淺層卷積神經(jīng)網(wǎng)絡(luò)模型，本模型在進(jìn)行功耗訓(xùn)練與推理時，可以學(xué)習(xí)相鄰位置和相鄰時間上的信號活動與功耗的相關(guān)性信息，在實現(xiàn)高精度預(yù)測的同時，降低部署開銷，使訓(xùn)練速度得到顯著提高。

(4) 上述方法在開源數(shù)據(jù)集、28 nm工藝節(jié)點的3×107門級工業(yè)級網(wǎng)絡(luò)處理器芯片電路上進(jìn)行了測試，最終實現(xiàn)了誤差小于4.5%的跨場景功耗波形預(yù)測，驗證了所提出方法的有效性。

2 面對RTL級電路的功耗預(yù)測框架

2.1 面對RTL級仿真的功耗預(yù)估流程

圖1給出了功耗預(yù)估方法流程，主要包括訓(xùn)練數(shù)據(jù)獲取、功耗建模、功耗預(yù)測3個部分。

圖1 功耗預(yù)估方法示意圖

首先通過電路仿真獲取訓(xùn)練數(shù)據(jù)，包括RTL電路仿真生成信號波形文件(.vcd/.fsdb文件)，從中提取特征數(shù)據(jù)，即神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)；以及對于RTL電路邏輯綜合、布局布線后生成版圖級網(wǎng)表，仿真生成VCD文件與PTPX的功耗曲線文件(.out文件)，從中獲取標(biāo)簽數(shù)據(jù)，即用于校正模型的功耗數(shù)據(jù)。

在獲得仿真的信號活動數(shù)據(jù)以及功耗數(shù)據(jù)后，需要對數(shù)據(jù)進(jìn)行處理。首先對信號的仿真波形進(jìn)行特征提取；獲得信號特征后，進(jìn)行特征與標(biāo)簽的匹配對齊；之后進(jìn)行特征篩選，減少負(fù)樣本數(shù)量，篩選出關(guān)鍵信號，增強(qiáng)特征與標(biāo)簽的關(guān)系；再對最終的數(shù)據(jù)集進(jìn)行模型構(gòu)建，實現(xiàn)多周期的輸入數(shù)據(jù)合并等。

獲得處理后的特征與標(biāo)簽數(shù)據(jù)后，建立卷積神經(jīng)網(wǎng)絡(luò)模型，包括兩層卷積層以及1層全連接層，進(jìn)行訓(xùn)練，獲得功耗模型。

最后，在功耗預(yù)測階段，對RTL電路提取關(guān)鍵信號的仿真波形，通過功耗模型快速地得到高精度功耗預(yù)估結(jié)果。

2.2 基于SCAD懲罰項的關(guān)鍵信號篩選方案

2.2.1 數(shù)據(jù)集特征構(gòu)建

功耗建模的特征數(shù)據(jù)來自VCD文件[9]。在特征采樣過程中，信號的仿真結(jié)果將按照仿真時間順序被分割成多個時間窗口。本文采取漢明距離作為信號數(shù)據(jù)的特征，其計算公式為

其中，Xi與Yi為信號值，N為信號位寬。漢明距離是功耗建模中最常用的特征[10]，計算簡單，僅需異或操作，也可以較好表征信號的翻轉(zhuǎn)次數(shù)。

2.2.2 基于懲罰項的特征選擇方法

本文使用機(jī)器學(xué)習(xí)中的特征選擇方法處理數(shù)據(jù)集，實現(xiàn)基于電路仿真的信號值的信號篩選。去除負(fù)樣本，即部分干擾信號，如無翻轉(zhuǎn)信號，或是活動較少的信號；同時篩選出對于功耗的關(guān)鍵信號，增強(qiáng)特征與標(biāo)簽之間的關(guān)系。

采取基于SCAD懲罰項的特征選擇法，SCAD懲罰項[11]即平滑截斷絕對偏差懲罰項。在回歸模型的損失函數(shù)中加入懲罰項，使得函數(shù)權(quán)重在訓(xùn)練過程中具有偏向0的趨勢。模型訓(xùn)練完成后，保留權(quán)重不為0的特征作為特征選擇結(jié)果。其計算為

其中，θ是需要迭代的參數(shù)向量，t代表迭代次數(shù)，η代表學(xué)習(xí)率，J(θ)為損失誤差。

在回歸模型的原有優(yōu)化器中加入懲罰項后的損失函數(shù)計算為

其中，P(θ)為 懲罰項，P(θ)的計算為

其中，參數(shù)向量θ的 大小為n×1，λ表示正則化系數(shù)。

同時，基于相同方法有其他不同的懲罰項，包括L1懲罰項[7]、L2懲罰項[12]、MCP懲罰項[8]等。L1, MCP, SCAD 3個懲罰項的對比如圖2所示，其中γ=3,λ=1。L1懲罰項對任何情況下的參數(shù)都進(jìn)行恒定量的懲罰，因此為了實現(xiàn)信號的有效篩選，需要設(shè)定非常大的λ，而其余的信號的權(quán)重也會受到過多的懲罰[8]；MCP與SCAD懲罰項在保持了對較小的權(quán)重信號的懲罰力度的同時，對于權(quán)重大的信號影響較小，其中，SCAD懲罰項保留了區(qū)間λ ≤x ≤λr內(nèi)的懲罰率的1階微分，保證了對于對小權(quán)重信號足夠的懲罰力度。

圖2 Lasso, MCP和SCAD的懲罰項示意圖

2.3 功耗標(biāo)簽數(shù)據(jù)處理

2.3.1 信號特征與后仿功耗標(biāo)簽的對齊方法

使用物理設(shè)計反提后的PTPX分析結(jié)果可以得到更加精確的功耗波形。該信號仿真和功耗波形的仿真時間是一致的。但是，由于缺失連線延時等信息，RTL級的仿真時間無法與后仿的功耗波形保持一致[13]。如果不進(jìn)行數(shù)據(jù)對齊，用于訓(xùn)練功耗模型的數(shù)據(jù)集將是錯誤的。這種錯誤的數(shù)據(jù)集將無法訓(xùn)練出正確的功耗模型。

首先對兩組數(shù)據(jù)進(jìn)行最大最小歸一化處理，計算方法為

本文中，使用一種常見的信號處理方法——最小均方匹配方法[14]對信號翻轉(zhuǎn)特征進(jìn)行處理，使信號特征和功耗在均方根誤差意義下最接近。最小均方匹配方法通常用于預(yù)處理步驟，以提高信號的質(zhì)量和準(zhǔn)確性。通過平移波形，同時計算其與目標(biāo)波形的均方根誤差，尋找最小誤差最小值，得到最佳匹配結(jié)果。左移(或右移)的最大限度為3個樣本數(shù)，在單周期采樣的情況下，為3周期。均方誤差(Mean Squared Error, MSE)的計算公式為

其中，MSE表示均方誤差，N表示樣本數(shù)量，Xi,Yi分別表示原始信號(即信號特征)與目標(biāo)信號(即功耗標(biāo)簽)的第i個樣本值。

圖3為網(wǎng)絡(luò)處理器中的分組處理與調(diào)度模塊的漢明距離與功耗標(biāo)簽在最小均方匹配前后的對比，通過對比漢明距離和功耗波形的方法進(jìn)行數(shù)據(jù)對齊，保證了數(shù)據(jù)的正確性和有效性。

圖3 數(shù)據(jù)對齊前后漢明距離與功耗值局部放大圖

2.3.2 數(shù)據(jù)集基于時間相關(guān)性的特征構(gòu)建

完成特征選擇后，構(gòu)建功耗模型所需要的數(shù)據(jù)集，圖4給出了數(shù)據(jù)集構(gòu)建示意。每列代表著按照仿真時間排序的時間窗口，共有T個時間窗口；S1,S2,...,Sn代表著電路中的信號；表中的數(shù)值代表則對應(yīng)時間窗口下各個信號的特征值，即漢明距離；P指對應(yīng)時間窗口下電路的實際功耗。

圖4 數(shù)據(jù)集構(gòu)建示意圖

該數(shù)據(jù)集的每列都包含著一組信號特征和相對應(yīng)的功耗標(biāo)簽。在正常的監(jiān)督式神經(jīng)網(wǎng)絡(luò)模型中，可以對訓(xùn)練樣本進(jìn)行隨機(jī)采樣，使用該數(shù)據(jù)集的每行作為一個訓(xùn)練樣本對模型進(jìn)行訓(xùn)練。但是這種訓(xùn)練樣本丟失了時間關(guān)系，模型的功耗預(yù)測每次只根據(jù)1個時間窗口下的信號情況。而在實際功耗分析中，電路在1個時間窗口內(nèi)的功耗波動與上個時間段的活動是存在相關(guān)性的。

為保留時間上的相關(guān)性，采用多輸入單輸出的神經(jīng)網(wǎng)絡(luò)形式，即使用多組特征數(shù)據(jù)預(yù)測1個功耗標(biāo)簽。如圖4(b)展示了3輸入單輸出的數(shù)據(jù)集。以T1, T2, T33個時間窗口為例，前3個時間窗口的特征數(shù)據(jù)被當(dāng)作一組輸入數(shù)據(jù)，用來預(yù)測第2時間窗口的功耗值，功耗模型可以觀測到第2時間窗口的前后時間窗口的特征情況，保留樣本的時間相關(guān)性。

2.4 基于淺層卷積神經(jīng)網(wǎng)絡(luò)模型的功耗回歸模型

多輸入單輸出的數(shù)據(jù)使得模型的輸入從原本的1維變成了2維。便于卷積神經(jīng)網(wǎng)絡(luò)的使用。本文構(gòu)建了一種基于卷積神經(jīng)網(wǎng)絡(luò)的功耗模型，圖5給出了網(wǎng)絡(luò)具體結(jié)構(gòu)，模型由兩層卷積層和1層全連接層構(gòu)成。

圖5 卷積神經(jīng)網(wǎng)絡(luò)模型示意圖

模型輸入層為n×m的 2維矩陣，其中n是信號特征的數(shù)量，m是時間窗口的數(shù)量。數(shù)據(jù)進(jìn)入第1個卷積層 C1后會被縱向卷積。再經(jīng)過ReLU激活函數(shù)，進(jìn)入第2個卷積層 C2。 會對數(shù)據(jù)進(jìn)行橫向的卷積。然后，數(shù)據(jù)會再次經(jīng)過ReLU激活函數(shù)，并且會被展平成1維數(shù)據(jù)。最后，數(shù)據(jù)通過全連接層，得到輸出P′，即預(yù)測的功耗值。

在該模型中，第1個卷積層 C1只進(jìn)行縱向卷積，這是因為特征提取過程是順序執(zhí)行的，相鄰的信號特征大概率是在一個電路模塊中，即特征與特征之間存在著一定相關(guān)性。因此，使用縱向的卷積核對數(shù)據(jù)進(jìn)行處理，學(xué)習(xí)信號間的部分結(jié)構(gòu)關(guān)系。第2個卷積層 C2只進(jìn)行橫向卷積。該卷積層學(xué)習(xí)信號特征時間上的相關(guān)性。由于功耗預(yù)測是一種回歸問題，所以全連接層不設(shè)置激活函數(shù)，避免激活函數(shù)對預(yù)測值的約束。

3 實驗與分析

3.1 測試集

本實驗構(gòu)建了兩組電路規(guī)模不同的數(shù)據(jù)集，其中之一按照目前其他功耗預(yù)估方法的實驗，選用功能相同或是規(guī)模相似的電路，如表1所示，包括浮點加法器，高級加密標(biāo)準(zhǔn)(Advanced Encryption Standard, AES)算法電路，以太網(wǎng)媒體訪問控制(Media Access Control, MAC)器，簡單的第5代精簡指令集(Reduced Instruction Set Computer Version 5, RISC-V)電路等構(gòu)建數(shù)據(jù)集，避免電路結(jié)構(gòu)化對于模型的功耗預(yù)估結(jié)果的誤差影響。另外一組使用工業(yè)級的28 nm網(wǎng)絡(luò)處理器芯片的各個模塊以及整體電路系統(tǒng)構(gòu)建，進(jìn)行方法在更大規(guī)模電路的有效性驗證。

表1 神經(jīng)網(wǎng)絡(luò)模型的測試用例

網(wǎng)絡(luò)處理器芯片采用了聯(lián)電28 nm工藝，設(shè)計規(guī)模約3×107門。包括幀處理模塊、調(diào)度模塊、crossbar總線模塊、插入捕獲指令模塊、配置模塊等。使用電路的物理設(shè)計反提后的PTPX分析結(jié)果作為功耗標(biāo)簽。

3.2 實驗評價指標(biāo)

對于模型對電路測試集的功耗預(yù)估結(jié)果，本文選取平均絕對百分比誤差(Mean Absolute Percentage Error, MAPE)以及標(biāo)準(zhǔn)化均方根誤差(Normalized Root-Mean-Squared-Error, NRMSE)作為評估指標(biāo)。MAPE的計算公式為

其中，n為樣本數(shù)，At為實際值，F(xiàn)t為預(yù)測值。NRMSE的計算公式為

其中，n為樣本數(shù)，At為實際值，F(xiàn)t為預(yù)測值，為實際值平均值。

3.3 實驗流程

本實驗的模型算法由tensorflow框架以及scikitlearn庫搭建，其中scikit-learn庫提供了模型中的特征篩選方法和結(jié)果評估方法。實驗運(yùn)行的硬件為Intel(R) i5-12600F @4.20 GHz, Intel UHD Graphics 770和32 GB運(yùn)行內(nèi)存。

針對常見的小規(guī)模電路測試集，除了本文所提出的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)模型外，還構(gòu)建了其他多個神經(jīng)網(wǎng)絡(luò)功耗模型作為對比，包括逆?zhèn)鞑?Back Propagation, BP)神經(jīng)網(wǎng)絡(luò)模型[15]、ResNet18模型[16]，以及長短時記憶網(wǎng)絡(luò)(Long Short Term Memory, LSTM)模型[17]。

針對工業(yè)級的網(wǎng)絡(luò)處理器芯片，除了本文所提出的基于SCAD懲罰項的特征篩選方案外，還實現(xiàn)了其他多個特征篩選方案，包括線性相關(guān)性F檢測(Corr.)[18]、遞歸特征消除法(Recursive Feature Elimination, RFE)[19]、隨機(jī)森林法(Random Forst, RF)[20]等。對各個信號篩選方法對模型精確度的影響進(jìn)行對比后，再將信號篩選后的各個機(jī)器學(xué)習(xí)模型的功耗預(yù)估結(jié)果進(jìn)行對比。

實驗采用5折交叉驗證的方法，將數(shù)據(jù)集劃分為5份后，每份輪流作為測試集，對模型進(jìn)行驗證。

3.4 功耗預(yù)估誤差與建模耗時比較

表2給出了不同模型對于電路的預(yù)估誤差結(jié)果MAPE，表3給出了不同模型對電路的訓(xùn)練耗時。本文提出的CNN模型的預(yù)估結(jié)果的平均誤差為1.79%，僅次于LSTM模型的1.69%。但CNN模型對所有電路的訓(xùn)練總耗時為6.03 s，訓(xùn)練速度是LSTM的80倍，在面對大規(guī)模電路的功耗預(yù)估場景時，這一優(yōu)勢更加明顯。

表2 不同模型的預(yù)測誤差(MAPE)(%)

表3 不同模型訓(xùn)練耗時(s)

同類型的文獻(xiàn)[6] PRIMAL (PoweR Inference using MAchine Learning)所提出的CNN模型的規(guī)模更大。其實驗環(huán)境與實驗對象與本文不同，本文將PRIMAL的特征構(gòu)建方法與CNN模型應(yīng)用在了測試集上，以各自環(huán)境下的線性回歸模型訓(xùn)練耗時為基準(zhǔn)進(jìn)行對比。預(yù)估結(jié)果的誤差方面，本文的CNN模型與PRIMAL的模型的預(yù)測結(jié)果大致相當(dāng)，均維持在5%以內(nèi)；但本文的CNN模型的訓(xùn)練速度明顯優(yōu)于PRIMAL模型，建模速度快約10倍。

3.5 網(wǎng)絡(luò)處理器電路功耗預(yù)估結(jié)果

3.5.1 時序?qū)R結(jié)果對比

對于NP各模塊進(jìn)行時序?qū)R方法的功耗模型預(yù)估結(jié)果如圖6所示，對于所有模塊的預(yù)估誤差均有一定程度的下降，這說明功耗標(biāo)簽與信號特征之間的時序誤差對模型的準(zhǔn)確度的影響較大，驗證了時序?qū)R方法的必要性。

圖6 數(shù)據(jù)對齊前后CNN模型預(yù)估誤差對比

3.5.2 信號篩選結(jié)果對比

圖7給出了對于網(wǎng)絡(luò)處理器電路各個模塊，使用線性回歸、隨機(jī)森林、支持向量機(jī)、懲罰項添加等特征篩選方法后，進(jìn)行BP神經(jīng)網(wǎng)絡(luò)模型建模的功耗預(yù)估誤差結(jié)果。RFE的分類器模型選用的是回歸模型；L1的正則化系數(shù)為0.05；L2的正則化系數(shù)為7；MCP與SCAD的懲罰系數(shù)分別設(shè)置為γ=3,λ=1；將重要性評分最大值的0.1倍作為篩選目標(biāo)，對重要性評分較大的特征進(jìn)行篩選。

圖7 不同特征篩選方法后BP模型的預(yù)估誤差對比

各個篩選方法對于網(wǎng)絡(luò)處理器電路所有模塊的運(yùn)行時間對比如圖8所示。RFE方法所篩選的特征構(gòu)建的模型雖然具有最小的誤差結(jié)果，然而，RFE和RF方法的耗時情況非常嚴(yán)重，以inst_fp_and_sch_top模塊的特征選擇為例，RFE和RF特征選擇的耗時分別為156 min和8 min，這說明在功耗預(yù)估角度，RFE與RF方法無法處理大規(guī)模電路的大量信號特征。

圖8 特征篩選方法速度對比

SCAD懲罰項與MCP懲罰項的運(yùn)行時間基本相同，與線性相關(guān)性檢測、Lasso懲罰項相比，這兩種方法的運(yùn)行時間都較長，但是均可以在160 s內(nèi)對4個模塊完成特征篩選。使用SCAD懲罰項方法篩選結(jié)果構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型的預(yù)估誤差結(jié)果與其他方法相比，誤差較小，并且保證了有效的運(yùn)行時間。

3.5.3 功耗預(yù)估結(jié)果對比

圖9(a)給出了對于網(wǎng)絡(luò)處理器電路，采用SCAD懲罰項特征篩選方法，構(gòu)建不同模型的功耗預(yù)估誤差。圖9(b)則給出了電路整體的預(yù)估誤差。對于系統(tǒng)的功耗預(yù)測誤差均保持在3%以內(nèi)，這證明了線性功耗疊加方案的可行性。對比各模塊的預(yù)估誤差與電路整體系統(tǒng)誤差，可以看出電路整體的電路功耗預(yù)估誤差較低，這是因為不同功能模塊在電路整體系統(tǒng)的占比不同，對大功耗占比的模塊實現(xiàn)高精度的功耗預(yù)估，可以保證電路整體系統(tǒng)功耗預(yù)估的高預(yù)測精度。

圖9 網(wǎng)絡(luò)處理器不同模型預(yù)估誤差對比

3.5.4 模型遷移結(jié)果對比

使用網(wǎng)絡(luò)處理器的5個場景進(jìn)行場景交叉驗證本文的功耗預(yù)估方法的場景遷移能力。表4給出了不同場景的驗證結(jié)果。其中，動作測試的場景系統(tǒng)誤差最大，為4.41%。這是由于動作測試場景下，測試了所有的微碼處理器模塊。但在其他場景下，部分微碼處理器模塊的功耗波動較小。

表4 場景交叉驗證結(jié)果

實驗結(jié)果表明在場景的交叉驗證下的系統(tǒng)誤差仍然可用維持在4.5%以內(nèi)。說明這種功耗預(yù)估方法是可行的。另一方面，建模耗時加上預(yù)測耗時的總體時間，都被控制在13 min(780 s)以內(nèi)，這遠(yuǎn)遠(yuǎn)快于動則數(shù)個小時或者數(shù)天的傳統(tǒng)功耗分析流程。

4 結(jié)束語

本文提出了針對RTL級電路的功耗預(yù)估方法，包括一個2層卷積神經(jīng)網(wǎng)絡(luò)功耗模型，本模型具有快速建模、快速預(yù)測和高精度的優(yōu)點；以及采用SCAD懲罰項特征選擇方法對RTL級電路的功耗建模進(jìn)行了特征篩選；并使用該方法對ASIC芯片網(wǎng)絡(luò)處理器的各個模塊進(jìn)行了功耗建模。實現(xiàn)了平均誤差為1.71%的RTL級周期精確的功耗預(yù)測。在網(wǎng)絡(luò)處理器的11k時鐘周期中，本文提出的功耗預(yù)測方法僅需要1.2 s，而Synopsys PTPX工具需要4 h以上。今后的工作將圍繞著CNN模型在電路功能仿真級模型的應(yīng)用，以及CNN模型的跨電路遷移能力展開。