基于支持向量机的微体系结构设计空间探索

通过对微处理器设计空间中有限的设计方案进行模拟, 建立支持向量回归模型, 对未经模拟的设计进行性能和功耗的预测, 从而大大减少了评估整个设计空间的所需时间。通过模型预测得到的最优设计方案和通过模拟得到的最优设计方案很接近, 提供了对巨大设计空间进行裁减的方法。将设计空间中0 .26 % 的设计方案作为训练数据, 得到的支持向量回归模型对性能和功耗的平均预测错误率分别为0 .52 % 和1 .08 % , 均优于已有的回归模型。相关分析数据显示预测结果和详细模拟结果高度相关, 性能和功耗的平均平方相关系数分别为0 .728 和0 .703 , 这表明支持向量回归模型能捕获各微体系设计参数之间的复杂交互。该模型还为每个预测结果指出了置信区间。

Microarchitectural Design Space Exploration via Support Vector Machine

The authors propose an approach to reduce the number of required simulations,simulate on sampled design points,and use it to construct informative and predictive support vector regression models.Having captured the interacting effects of design parameters,the models predict outputs for design points that are not simulated.The prediction time of model can be negligible compared with detailed simulation.The optimal design point determined by prediction is very close to that of simulation for most applications...