arXiv cs.AI· Jingbo Jiang, Xizi Chen, Jian Peng, Wei Zhang·· 10 天前AI 评分22
X-OPM：面向鲁棒性增强的可解释自动数字片上功耗建模
X-OPM: Explainable Automatic Digital On-Chip Power Modeling for Enhanced Robustness
AI 导读
X-OPM 提出一种可解释的自动数字片上功耗建模框架，用树模型捕捉特征交互、线性模型做预测，并引入人在回路工作流平衡精度与建模成本。在商用 C906 向量处理器上，采样窗口小于 8 cycles 时所有负载均达 R² > 0.93，而 APOLLO、COBIT 和标准 MLP 无法在所有测试用例上泛化。
正文 · AI 翻译
摘要：主动式电源管理系统通过运行时功耗预测和功耗感知调度来降低处理器的动态功耗。准确、稳定且低开销的数字片上功耗计（OPM）对于提升预测质量至关重要。近期研究探索了多种建模方法，包括使用线性模型、决策树和多层感知机（MLP）来构建 OPM。然而，当前大多数方法以端到端方式训练模型，未分析特征的物理可解释性，影响了其泛化到未见工作负载的能力。基于同步数字 VLSI 电路的设计原理，X-OPM 引入了一个稳健的特征工程框架，使用基于树的模型来捕捉特征交互，并使用线性模型进行预测。它还结合了人在回路的工作流程，以平衡模型精度与建模工作量。在商用 C906 向量处理器上评估时，X-OPM 在采样窗口大小设置为低于 $8$ 个周期的情况下，在所有工作负载上始终达到 $R^2 > 0.93$。相比之下，包括 APOLLO、COBIT 和标准 MLP 在内的最先进方法无法在所有测试用例上泛化。使用商用 EDA 工具进行布局显示，X-OPM 的面积开销低于 $0.1\%$，与轻量级基于树的模型和线性模型相当，并且显著小于基于 MLP 的模型。
| 主题： | 硬件架构（cs.AR）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.08502 [cs.AR] |
| （或 arXiv:2610.08502v1 [cs.AR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.08502 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Jingbo Jiang [查看电子邮件]
[v1]
2026年10月6日星期二 15:09:52 UTC（1,076 KB）
来源：arXiv cs.AI · arxiv.org