論文の概要: BigPower: Hierarchical Source-Level Module Power Estimation for CPUs with Large Language Models

• arxiv url: http://arxiv.org/abs/2606.13747v1
• Date: Thu, 11 Jun 2026 15:05:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.540932
• Title: BigPower: Hierarchical Source-Level Module Power Estimation for CPUs with Large Language Models
• Title（参考訳）: BigPower: 大規模言語モデルを持つCPUの階層的ソースレベルモジュールパワー推定
• Authors: Honghua Zhu, Chunjie Luo, Jianfeng Zhan,
• Abstract要約: BigPowerは階層的なソースレベルのサロゲートモデルであり、CPU設計時にモジュールレベルの詳細な電力推定を行う。 オープンソースのXiangShanプロセッサファミリーの実験結果は、さまざまな構成やワークロードにわたって、実用的なきめ細かい電力推定を実証している。
• 参考スコア（独自算出の注目度）: 1.9526154414099297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate power estimation is important for understanding and optimizing CPU power behavior, yet practical workflows often rely on simulation-derived information or post-silicon analysis. In this work, we present BigPower, a hierarchical source-level surrogate model for fine-grained module-level power estimation during CPU design. BigPower leverages large language model-based representations together with architectural hierarchy, module connectivity, configuration parameters, and workload context to estimate module-level power consumption directly from source-level design information, without requiring additional simulation during inference. Experimental results in the open-source XiangShan processor family demonstrate practical fine-grained power estimation across diverse configurations and workloads, offering an efficient alternative to conventional simulation-based workflows.
• Abstract（参考訳）: 正確な電力推定はCPUパワーの動作の理解と最適化に重要であるが、実用的なワークフローはシミュレーションに基づく情報やポストシリコン分析に頼っていることが多い。 本稿では,CPU設計時のモジュールレベル電力推定のための階層的ソースレベルサロゲートモデルであるBigPowerを提案する。 BigPowerは、アーキテクチャ階層、モジュール接続、設定パラメータ、ワークロードコンテキストとともに、大規模な言語モデルベースの表現を活用して、推論中に追加のシミュレーションを必要とせずに、ソースレベルの設計情報から直接モジュールレベルの消費電力を推定する。 オープンソースのXiangShanプロセッサファミリーの実験結果は、さまざまな構成やワークロードにまたがる実用的なきめ細かな電力推定を実証し、従来のシミュレーションベースのワークフローに代わる効率的な代替手段を提供する。

関連論文リスト

• A Methodology to Assess Power Modeling in Energy-Aware Federated Learning on Heterogeneous Mobile Devices [0.34410212782758043]
  ヘテロジニアスARMベースのコモディティデバイス上でのCPUパワーの推定は、CPUの電圧ドメインへのアクセスが制限されているため困難である。 本稿では、クラスタレベルのサプライ電圧を取得するために、再現可能なCPU電力推定手法とレール・クラスタ間マッピング手法の組み合わせを提案する。 解析モデルは10パーセント未満の誤差でCPUパワーを予測するのに対し、近似モデルは959%の誤差を発生させる。
  論文  参考訳（メタデータ） (2026-05-26T19:19:31Z)
• ArchPower: Dataset for Architecture-Level Power Modeling of Modern CPU Design [10.934916441713105]
  ArchPowerはアーキテクチャレベルのプロセッサパワーモデリングのための最初のオープンソースデータセットである。 ArchPowerには200のCPUデータサンプルが含まれており、8つの異なるワークロードを実行する際に25の異なるCPU構成から収集される。 各データサンプルには、ハードウェアとイベントパラメータの両方を含む100以上のアーキテクチャ機能がある。
  論文  参考訳（メタデータ） (2025-12-07T14:12:06Z)
• Information Capacity: Evaluating the Efficiency of Large Language Models via Text Compression [53.39128997308138]
  テキスト圧縮性能に基づくモデル効率の指標である情報容量を導入する。 主流のオープンソースモデルに対する実証的な評価は、シリーズ内のさまざまなサイズのモデルが一貫した情報容量を示すことを示している。 情報容量の特徴的な特徴は、入力と出力の両方のトークン数に影響を与えるトークン化効率が組み込まれていることである。
  論文  参考訳（メタデータ） (2025-11-11T10:07:32Z)
• modelSolver: A Symbolic Model-Driven Solver for Power Network Simulation and Monitoring [0.8594140167290097]
  本稿では,記号的数学的モデリングを中心にした新しいフレームワークを備えたソフトウェア・ソリューションであるモデラーを紹介する。 提案したパラダイムは、直感的な数学的表現を通じてモデルを定義し、従来のプログラミング構造の必要性を排除している。 モデラーは、ユーザーがカスタムモデルを指定することができるオープンボックスアプローチを使用して、電力フローと状態推定に重点を置いている。
  論文  参考訳（メタデータ） (2025-08-25T10:43:49Z)
• JuliaGrid: An Open-Source Julia-Based Framework for Power System State Estimation [1.4266139268684632]
  JuliaGridはオープンソースのフレームワークで、複数のプラットフォームにわたるハイパフォーマンス実行用に設計されている。 可観測性解析、重み付けされた最小二乗および絶対値推定器、悪いデータ分析、およびファサー測定に関連する様々なアルゴリズムを実装している。 JuliaGridは準定常解析のために特別に設計されており、パフォーマンスを高めるために計算データの自動検出と再利用を行う。
  論文  参考訳（メタデータ） (2025-02-25T14:13:14Z)
• Core Context Aware Transformers for Long Context Language Modeling [50.774702091154204]
  高速な長文モデリングのためのCCAアテンションを提案する。 本手法は,学習過程における冗長性を低下させながら,コアコンテキストに自動的に焦点を合わせ,強化する。 提案手法は,既存の大規模言語モデルにおける自己注意モジュールを最小限の微調整コストで置き換えることができる。
  論文  参考訳（メタデータ） (2024-12-17T01:54:08Z)
• INFOrmation Prioritization through EmPOWERment in Visual Model-Based RL [90.06845886194235]
  モデルベース強化学習(RL)のための修正目的を提案する。 相互情報に基づく状態空間モデルに,変分エンパワーメントにインスパイアされた用語を統合する。 本研究は,視覚に基づくロボット制御作業における自然な映像背景を用いたアプローチの評価である。
  論文  参考訳（メタデータ） (2022-04-18T23:09:23Z)
• Power Modeling for Effective Datacenter Planning and Compute Management [53.41102502425513]
  我々は,すべてのハードウェア構成とワークロードに適用可能な,正確でシンプルで解釈可能な統計パワーモデルの設計と検証の2つのクラスについて論じる。 提案された統計的モデリング手法は, 単純かつスケーラブルでありながら, 4つの特徴のみを用いて, 95% 以上の多様な配電ユニット (2000 以上) に対して, 5% 未満の絶対パーセンテージエラー (MAPE) で電力を予測できることを実証した。
  論文  参考訳（メタデータ） (2021-03-22T21:22:51Z)
• Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
  離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。 エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。 本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2020-11-10T19:31:29Z)

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。