論文の概要: Decision Tree Based Hardware Power Monitoring for Run Time Dynamic Power
Management in FPGA
- arxiv url: http://arxiv.org/abs/2009.01434v1
- Date: Thu, 3 Sep 2020 03:46:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 08:11:01.019806
- Title: Decision Tree Based Hardware Power Monitoring for Run Time Dynamic Power
Management in FPGA
- Title（参考訳）: FPGAにおける実行時動的電力管理のための決定木に基づくハードウェア電力モニタリング
- Authors: Zhe Lin, Wei Zhang, Sharad Sinha
- Abstract要約: 微細な実行時電力管理技術は電力削減に有望な解決策となるかもしれない。
我々は決定木に基づく電力モデリング手法を活用し,FPGAプラットフォーム上でのハードウェア電力の詳細なモニタリングを行う。
ハードウェア電力監視の柔軟なアーキテクチャを提案し、ランタイム電力推定のために任意のRTL設計で実装できる。
- 参考スコア（独自算出の注目度）: 20.487660974785943
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fine-grained runtime power management techniques could be promising solutions
for power reduction. Therefore, it is essential to establish accurate power
monitoring schemes to obtain dynamic power variation in a short period (i.e.,
tens or hundreds of clock cycles). In this paper, we leverage a
decision-tree-based power modeling approach to establish fine-grained hardware
power monitoring on FPGA platforms. A generic and complete design flow is
developed to implement the decision tree power model which is capable of
precisely estimating dynamic power in a fine-grained manner. A flexible
architecture of the hardware power monitoring is proposed, which can be
instrumented in any RTL design for runtime power estimation, dispensing with
the need for extra power measurement devices. Experimental results of applying
the proposed model to benchmarks with different resource types reveal an
average error up to 4% for dynamic power estimation. Moreover, the overheads of
area, power and performance incurred by the power monitoring circuitry are
extremely low. Finally, we apply our power monitoring technique to the power
management using phase shedding with an on-chip multi-phase regulator as a
proof of concept and the results demonstrate 14% efficiency enhancement for the
power supply of the FPGA internal logic.
- Abstract（参考訳）: きめ細かい実行時の電力管理技術は、電力削減に有望な解決策になり得る。
したがって、短時間(数十から数百のクロックサイクル)で動的電力変動を得るためには、正確な電力監視方式を確立することが不可欠である。
本稿では,決定木に基づく電力モデリング手法を活用し,FPGAプラットフォーム上でのハードウェアの電力モニタリングを行う。
動的パワーをきめ細かな方法で正確に推定できる決定木パワーモデルを実装するために、汎用的で完全な設計フローを開発した。
ハードウェアパワーモニタリングの柔軟なアーキテクチャが提案されており、実行時の電力推定のために任意のrtl設計に組み込むことができ、余分な電力測定装置が不要である。
資源タイプが異なるベンチマークに提案モデルを適用する実験結果から,動的パワー推定における平均誤差は最大4%となる。
また、電力監視回路によって発生する面積、電力、性能のオーバーヘッドは極めて低い。
最後に、オンチップ多相制御器を用いた位相シェディングを用いた電力管理手法を概念実証に応用し、FPGA内部論理の電力供給効率を14%向上することを示した。
関連論文リスト
- Energy-Aware Dynamic Neural Inference [39.04688735618206]
エネルギーハーベスターと有限容量エネルギーストレージを備えたオンデバイス適応型推論システムを提案する。
環境エネルギーの速度が増加するにつれて、エネルギー・信頼性を考慮した制御方式は精度を約5%向上させることが示されている。
我々は、信頼性を意識し、認識できないコントローラを理論的に保証する原則的なポリシーを導出する。
論文 参考訳（メタデータ） (2024-11-04T16:51:22Z) - SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。
SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
論文 参考訳（メタデータ） (2024-07-17T09:01:38Z) - PowerFlowNet: Power Flow Approximation Using Message Passing Graph
Neural Networks [2.450802099490248]
グラフニューラルネットワーク(GNN)は、電力フロー近似の精度と速度を改善するための有望なアプローチとして登場した。
本稿では,従来のNewton-Raphson法と同じような性能を示すPF近似のための新しいGNNアーキテクチャであるPowerFlowNetを紹介する。
性能と実行時間の点で、DC緩和法のような従来の近似法よりも大幅に優れています。
論文 参考訳（メタデータ） (2023-11-06T09:44:00Z) - A Reinforcement Learning Approach for Performance-aware Reduction in
Power Consumption of Data Center Compute Nodes [0.46040036610482665]
我々はReinforcement Learningを使用して、クラウド計算ノード上での電力供給ポリシーを設計する。
実ハードウェア上でトレーニングされたエージェントが、消費電力とアプリケーションパフォーマンスのバランスをとることで、どのように行動を起こすかを示す。
論文 参考訳（メタデータ） (2023-08-15T23:25:52Z) - Autonomous Point Cloud Segmentation for Power Lines Inspection in Smart
Grid [56.838297900091426]
高電圧と低電圧の両方の電力線の特徴を検出し,抽出し,解析するために,教師なし機械学習(ML)フレームワークを提案する。
提案フレームワークは電力線を効率よく検出し,PLCに基づくハザード解析を行う。
論文 参考訳（メタデータ） (2023-08-14T17:14:58Z) - Non-Intrusive Electric Load Monitoring Approach Based on Current Feature
Visualization for Smart Energy Management [51.89904044860731]
我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。
マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
論文 参考訳（メタデータ） (2023-08-08T04:52:19Z) - Reconfigurable Distributed FPGA Cluster Design for Deep Learning
Accelerators [59.11160990637615]
エッジコンピューティングアプリケーション用に設計された低消費電力組み込みFPGAに基づく分散システムを提案する。
提案システムは,様々なニューラルネットワーク(NN)モデルを同時に実行し,パイプライン構造にグラフを配置し,NNグラフの最も計算集約的な層により大きなリソースを手動で割り当てる。
論文 参考訳（メタデータ） (2023-05-24T16:08:55Z) - Distributed Energy Management and Demand Response in Smart Grids: A
Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。
特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
論文 参考訳（メタデータ） (2022-11-29T01:18:58Z) - Stabilizing Voltage in Power Distribution Networks via Multi-Agent
Reinforcement Learning with Transformer [128.19212716007794]
本稿では,変圧器を用いたマルチエージェント・アクタ・クリティカル・フレームワーク(T-MAAC)を提案する。
さらに、電圧制御タスクに適した新しい補助タスクトレーニングプロセスを採用し、サンプル効率を向上する。
論文 参考訳（メタデータ） (2022-06-08T07:48:42Z) - A Graph Policy Network Approach for Volt-Var Control in Power
Distribution Systems [11.196936903669386]
ボルトバー制御(VVC)は、電力系統のアクチュエータを制御することで、健全な状態下での電力分配システムの運用の問題である。
本稿では、RLとグラフネットワークを組み合わせたフレームワークを提案し、グラフベースのポリシーの利点と限界について検討する。
論文 参考訳（メタデータ） (2021-09-24T16:55:41Z) - An Ensemble Learning Approach for In-situ Monitoring of FPGA Dynamic
Power [20.487660974785943]
FPGAのランタイム動的パワーを正確に推定できる電力監視方式を提案し,評価する。
本稿では,複数のカスタマイズされたベースラーナーに分解可能な,新規で特殊なアンサンブルモデルについて述べる。
実験では,商業ゲートレベルの電力推定ツールの4.51%以内において,単一の決定木モデルが予測誤差を達成できることを最初に示した。
論文 参考訳（メタデータ） (2020-09-03T03:39:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。