Μια καινοτόμος τεχνολογία έχει αναπτυχθεί για να αντιμετωπίσει τις προκλήσεις θερμοκρασίας που αντιμετωπίζουν οι πολυπύρηνοι επεξεργαστές. Η καινοτόμος τεχνολογία πρόβλεψης και ελέγχου θερμοκρασίας σε εσωτερικά δίκτυα, υπό την ηγεσία του Αναπληρωτή Καθηγητή Τσεν Κουνζί και της ερευνητικής του ομάδας στο Εθνικό Πανεπιστήμιο Yang Ming Chiao Tung της Ταϊβάν, βελτίωσε σημαντικά την απόδοση ψύξης των πολυπύρηνων επεξεργαστών.
Η αύξηση του αριθμού των πυρήνων επεξεργαστή στους πολυπύρηνους επεξεργαστές δημιούργησε προκλήσεις στις εσωτερικές συνδέσεις, κάνοντας τη δομή του Δικτύου στο Μικροεπεξεργαστή (NoC) ένα δημοφιλές θέμα. Επιπρόσθετα, οι υψηλότερες συχνότητες των πυρήνων επεξεργασίας οδήγησαν σε αυξημένες πυκνότητες ισχύος και σοβαρές προκλήσεις θερμοκρασίας, που επηρεάζουν τη λειτουργική αποτελεσματικότητα και αξιοπιστία των επεξεργαστών.
Ο Αναπληρωτής Καθηγητής Τσεν Κουνζί και η ομάδα έρευνας Ceres Lab εισήγαγαν ένα μηχανισμό μάθησης σε πραγματικό χρόνο χαμηλού κόστους για ακριβείς προβλέψεις θερμοκρασίας σε δίκτυα εντός του επεξεργαστή. Χρησιμοποιώντας την τεχνολογία προσαρμοστικής ενίσχυσης μάθησης, εφαρμόστηκε δυναμική ενεργός διαχείριση θερμοκρασίας για τη βελτίωση των προκλήσεων θερμοκρασίας των πολυπύρηνων επεξεργαστών, ενισχύοντας σημαντικά την αποτελεσματικότητα διαχείρισης θερμοκρασίας του συστήματος.
Αυτή η καινοτόμος έρευνα, που αναγνωρίστηκε με το Βραβείο Καλύτερης Εργασίας 2024 του IEEE Transactions on Very Large Scale Integration (TVLSI), σηματοδοτεί μια σημαντική ορόσημο για την Ταϊβάν. Η δυναμική ενεργός διαχείριση θερμοκρασίας προσαρμόζει δυναμικά τη θερμοκρασία του συστήματος εκ των προτέρων με βάση πληροφορίες πρόβλεψης θερμοκρασίας, μειώνοντας την επίδραση στην απόδοση κατά τον έλεγχο θερμοκρασίας σε σχέση με τις παραδοσιακές μεθόδους αντίδρασης θερμικής διαχείρισης.
Με τη βελτιστοποίηση των προβλέψεων θερμοκρασίας χρησιμοποιώντας τη θεωρία προσαρμοστικής φιλτραρίσματος με ελάχιστο μέσο τετράγωνο, το σύστημα διαχείρισης θερμοκρασίας ενεργός διαχείρισης βάσει μηχανικής μάθησης της ερευνητικής ομάδας βελτιώνει την ακρίβεια των προβλέψεων για να αντιμετωπίσει τις μεταβολές φορτίου εργασίας και τις αλλαγές θερμοκρασίας. Η ενσωμάτωση της προσαρμοστικής ενίσχυσης μάθησης επιτρέπει την πραγματικού χρόνου προσαρμογή των ποσοστώσεων ανάληψης βάσει της τρέχουσας θερμοκρασίας, της προβλεπόμενης θερμοκρασίας και της διάθεσης συστήματος, μεγιστοποιώντας την αποτελεσματικότητα της διαχείρισης θερμοκρασίας και την απόδοση και ελαχιστοποιώντας τα σφάλματα πρόβλεψης θερμοκρασίας.
Αυτή η σημαντική έρευνα όχι μόνο κερδίζει το κορυφαίο βραβείο καλύτερης εργασίας του IEEE TVLSI για φέτος, αλλά επίσης σηματοδοτεί την πρώτη φορά μέσα σε 30 χρόνια που μια ομάδα από την Ταϊβάν λαμβάνει αυτή την τιμή. Αναγνωρίζει όχι μόνο τις εξαιρετικές συμβολές της ερευνητικής ομάδας, αλλά και το υψηλό επίπεδο της σχολής στην έρευνα και την προοδευτική τεχνολογική ανάπτυξη.