本申请涉及人工智能,尤其涉及一种存储芯片的能耗分析方法、装置、设备及存储介质。
背景技术:
1、在当今信息时代,堆叠存储芯片在各个领域的应用越来越广泛,如数据中心、物联网设备和移动设备等。然而,堆叠存储芯片的能耗一直是一个重要的课题,因为它关系到设备的性能、稳定性和能源效率。随着堆叠存储芯片的不断发展和复杂化,传统的能耗分析方法已经难以满足需求,因此需要一种更为精确和高效的方法来评估存储芯片的功耗和温度,以便在设计和制造阶段进行优化,从而实现更好的性能和能源利用率。
2、传统的堆叠存储芯片能耗分析方法存在一些问题。堆叠存储芯片的结构和复杂性日益增加,传统方法难以有效地处理大规模和高维度的数据。其次,数据的异常值和缺失值对分析结果产生负面影响,需要有效的数据处理方法。此外,能耗和温度之间的关联关系也需要更精细的建模和分析,以便更准确地预测功耗和温度。
技术实现思路
1、本申请提供了一种存储芯片的能耗分析方法、装置、设备及存储介质,用于采用机器学习技术实现了堆叠存储芯片的智能化能耗分析进而提高了存储芯片堆叠封装方案的优化准确率。
2、第一方面,本申请提供了一种存储芯片的能耗分析方法,所述存储芯片的能耗分析方法包括:
3、基于预设的初始存储芯片堆叠封装方案,对目标堆叠存储芯片进行能耗测试,得到目标芯片功耗数据和目标芯片温度数据;
4、通过预置的快速集成经验模型分解算法,分别对所述目标芯片功耗数据和所述目标芯片温度数据进行数据分解,得到多个子功耗数据集以及多个子温度数据集;
5、通过预置的第一长短时记忆网络对所述多个子功耗数据集进行特征提取,得到功耗融合特征集合,并通过预置的第二长短时记忆网络对所述多个子温度数据集进行特征提取,得到温度融合特征集合;
6、对所述功耗融合特征集合和所述温度融合特征集合进行向量编码转换,得到目标功耗特征输入向量以及目标温度特征输入向量;
7、将所述目标功耗特征输入向量输入预置的第一孪生支持向量回归模型进行功耗预测,得到芯片功耗预测数据,并将所述目标温度特征输入向量输入预置的第二孪生支持向量回归模型进行温度预测,得到芯片温度预测数据;
8、计算所述芯片功耗预测数据的功耗误差数据以及所述芯片温度预测数据的温度误差数据,并根据所述功耗误差数据和所述温度误差数据对所述初始存储芯片堆叠封装方案进行多目标优化,得到目标存储芯片堆叠封装方案。
9、第二方面,本申请提供了一种存储芯片的能耗分析装置,所述存储芯片的能耗分析装置包括:
10、测试模块,用于基于预设的初始存储芯片堆叠封装方案,对目标堆叠存储芯片进行能耗测试,得到目标芯片功耗数据和目标芯片温度数据;
11、分解模块,用于通过预置的快速集成经验模型分解算法,分别对所述目标芯片功耗数据和所述目标芯片温度数据进行数据分解,得到多个子功耗数据集以及多个子温度数据集;
12、特征提取模块,用于通过预置的第一长短时记忆网络对所述多个子功耗数据集进行特征提取,得到功耗融合特征集合,并通过预置的第二长短时记忆网络对所述多个子温度数据集进行特征提取,得到温度融合特征集合;
13、编码模块,用于对所述功耗融合特征集合和所述温度融合特征集合进行向量编码转换,得到目标功耗特征输入向量以及目标温度特征输入向量;
14、预测模块,用于将所述目标功耗特征输入向量输入预置的第一孪生支持向量回归模型进行功耗预测,得到芯片功耗预测数据,并将所述目标温度特征输入向量输入预置的第二孪生支持向量回归模型进行温度预测,得到芯片温度预测数据;
15、优化模块,用于计算所述芯片功耗预测数据的功耗误差数据以及所述芯片温度预测数据的温度误差数据,并根据所述功耗误差数据和所述温度误差数据对所述初始存储芯片堆叠封装方案进行多目标优化,得到目标存储芯片堆叠封装方案。
16、本申请第三方面提供了一种存储芯片的能耗分析设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述存储芯片的能耗分析设备执行上述的存储芯片的能耗分析方法。
17、本申请的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的存储芯片的能耗分析方法。
18、本申请提供的技术方案中,采用多层次的数据处理和特征提取,包括快速集成经验模型和长短时记忆网络,能够更准确地预测存储芯片的功耗和温度数据,提高了预测的准确性。使用多目标优化技术,可以同时考虑功耗和温度两个关键性能指标,以获得最佳的存储芯片堆叠封装方案。这有助于在不牺牲性能的情况下降低芯片的能耗,提高能效。通过使用快速集成经验模型分解算法和长短时记忆网络,能够有效地从原始功耗和温度数据中提取出有用的特征信息。这有助于更准确地预测功耗和温度,从而优化设计。将特征集合转换成向量并使用特征比值和特征权重数据进行分析,有助于综合考虑多个特征,提高了模型的性能和精度。采用孪生支持向量回归模型进行功耗和温度预测,具有较高的预测精度和鲁棒性,有助于在设计过程中更好地控制芯片的功耗和温度。自动化存储芯片堆叠封装方案的设计过程,减少了人工干预的需求,提高了设计效率。能够综合考虑不同层次的存储芯片参数,包括底层、中层和顶层存储芯片参数,以实现更全面的性能优化,采用机器学习技术实现了堆叠存储芯片的智能化能耗分析进而提高了存储芯片堆叠封装方案的优化准确率。
1.一种存储芯片的能耗分析方法,其特征在于,所述存储芯片的能耗分析方法包括:
2.根据权利要求1所述的存储芯片的能耗分析方法,其特征在于,所述基于预设的初始存储芯片堆叠封装方案,对目标堆叠存储芯片进行能耗测试,得到目标芯片功耗数据和目标芯片温度数据,包括:
3.根据权利要求1所述的存储芯片的能耗分析方法,其特征在于,所述通过预置的快速集成经验模型分解算法,分别对所述目标芯片功耗数据和所述目标芯片温度数据进行数据分解,得到多个子功耗数据集以及多个子温度数据集,包括:
4.根据权利要求1所述的存储芯片的能耗分析方法,其特征在于,所述通过预置的第一长短时记忆网络对所述多个子功耗数据集进行特征提取,得到功耗融合特征集合,并通过预置的第二长短时记忆网络对所述多个子温度数据集进行特征提取,得到温度融合特征集合,包括:
5.根据权利要求1所述的存储芯片的能耗分析方法,其特征在于,所述对所述功耗融合特征集合和所述温度融合特征集合进行向量编码转换,得到目标功耗特征输入向量以及目标温度特征输入向量,包括:
6.根据权利要求1所述的存储芯片的能耗分析方法,其特征在于,所述将所述目标功耗特征输入向量输入预置的第一孪生支持向量回归模型进行功耗预测,得到芯片功耗预测数据,并将所述目标温度特征输入向量输入预置的第二孪生支持向量回归模型进行温度预测,得到芯片温度预测数据,包括:
7.根据权利要求1所述的存储芯片的能耗分析方法,其特征在于,所述计算所述芯片功耗预测数据的功耗误差数据以及所述芯片温度预测数据的温度误差数据,并根据所述功耗误差数据和所述温度误差数据对所述初始存储芯片堆叠封装方案进行多目标优化,得到目标存储芯片堆叠封装方案,包括:
8.一种存储芯片的能耗分析装置,其特征在于,所述存储芯片的能耗分析装置包括:
9.一种存储芯片的能耗分析设备,其特征在于,所述存储芯片的能耗分析设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的存储芯片的能耗分析方法。