發(fā)布時間：2020-11-18 08:50

　　 隨著集成電路工藝的發(fā)展,集成電路的特征尺寸減小了,集成電路的核心數(shù)量變多了,并且開始從普通集成電路發(fā)展到了三維集成電路,這些因素共同導致了集成電路的功耗密度越來越大,集成電路的熱可靠性問題成為業(yè)界內(nèi)的一大難題。傳統(tǒng)的集總式熱建模和熱管理,在核心數(shù)較少時,可以發(fā)揮比較好的性能,但在核心數(shù)比較多的時候,其熱模型尺寸過大,熱管理的開銷過大,會嚴重影響集成電路的性能。采用分布式熱管理方法可以緩解這個問題,利用分布式熱建�？梢杂行Ы档湍Ｐ偷某叽纭Ｈ欢�,傳統(tǒng)的分布式熱管理,采取的是對每個核只建立一個熱點,但同一個核心不同位置的溫度,相差可以高達4℃,這會導致,核心熱點位置的溫度被管理得很好,滿足要求,而核心其他位置的溫度卻管理得不好,從而導致集成電路可靠性降低。本文提出了基于深度學習的分布式熱管理方法。該方法對每個核都建立一個細顆粒的熱模型,每個核心建立了64個熱點,這樣就能保證核上的最高溫度能夠比較好地穩(wěn)定在目標溫度附近。通過觀察發(fā)現(xiàn),該熱模型對應著一個模式識別問題,因此本文用深度學習來擬合這個熱模型,本文使用了卷積神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡這兩種常用的網(wǎng)絡,并對其做了簡要的介紹。然后利用這些熱模型,來進行分布式熱管理,其中又用到了擴展卡爾曼濾波器來估計每個核的狀態(tài)值,也用到了功耗調(diào)整器,它通過劃分等級來調(diào)節(jié)功耗值。還提出了迭代算法來解決各核熱管理模塊之間的信息交換問題。最終的實驗表明,本文所提出的基于深度學習的分布式熱建模方法,有效地減小了熱模型的尺寸,并且利用卷積神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡所搭建的熱模型有較高的精度,同時,本文所提出的基于深度學習的3D IC分布式熱管理方法有較好的控制效果和較高的控制精度,能夠提供準確的控制策略。
【學位單位】：電子科技大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TN40;TP183
【部分圖文】：

熱模型精度

基于narxnet熱模型的熱管理進行管理之后的第6核最高溫度軌跡圖

本文提出的熱管理進行管理之后的第6核最高溫度軌跡圖
【參考文獻】

相關(guān)碩士學位論文 前1條

1 張浪;三維集成電路熱可靠性建模與優(yōu)化技術(shù)研究[D];電子科技大學;2017年

本文編號：2888540