经过同仁们的不懈努力以及RISC-V的天然优势,科普和定义RISC-V已然无须赘述。这个开源的指令集架构(ISA)由于其灵活性、可扩展性和模块化而越来越受欢迎。事实上,RISC-V的主要优点和主要 "存在理由 "之一是可定制的指令集(ISA)和可定制的处理器内部设计(微架构)以满足特定的应用要求。这种定制能力延伸到定制计算解决方案,使开发人员能够创建为其工作负载优化的硬件。那么关于RISC-V定制化,定制计算的好处和优势以及行业应用有哪些呢?
硬件设计的传统方法及其局限性
当工程师设计系统时,总是要在灵活性和性能之间进行权衡。最灵活的方法是选择一个通用的内核,并对软件进行优化。这种处理器构建的现成方法,使得竞争对手可以很容易地与之匹配。但这往往意味着算法的执行效率不高,因此运行速度极慢。
克服这一问题的传统方法是创建固定功能电路,旨在执行一组特定的操作。这些硬件功能可能非常快,但由于它们是硬编码的,很难进行修改或更新以满足不断变化的应用要求。
这是合适的解决方案是结合两种方法。首先保持软件的灵活性,然后在处理器中引入额外的逻辑,以实现速度的提升。
RISC-V标准在设计之初就能够实现这一点。模块化外加多种标准扩展专门用于常见的使用场景,但它也允许设计者创建自有ISA补充,并修改内核的微架构以满足特定的应用要求。这种定制能力使特定工作负载的硬件优化成为可能,从而提高性能、功耗和整体效率。
RISC-V定制化的主要优势
首先针对独特工作负载的定制指令
RISC-V定制的关键优势之一是能够根据特定的应用需求创建定制指令。可以使用定制指令来加速关键操作,减少内存访问,并提高能源效率。例如创建一个定制指令来执行一个特定的人工智能算法,减少执行操作所需的时钟周期数。这一点已经在Codasip的很多技术白皮书和案例研究中经过验证,例如L31内核上的嵌入式AI--CodAL中的紧凑型神经网络加速器。在这篇论文中,我们的应用工程团队从软件和硬件的角度研究了什么可以使在资源受限的嵌入式设备上运行AI算法更容易。
硬/软协同优化
为了正确挑选定制指令并创建高效的实现,软件和硬件团队需要协同合作。这就是硬件/软件共同优化,而实现这一点则需要改变方法。改变一贯的习惯起初似乎会引起不适,但除了更好的系统效率外,还有很多其它益处。在处理器定制流程的早期阶段,双方(硬件和软件)的架构师可以从产品开发初始阶段就进行合作。这样,软件团队开始开发关键算法,并更早地发现那些如果硬件已经冻结时就无法实现的潜在收益。
Codasip利用自研的架构语言CodAL和工具来支持这种协同合作,甚至在硬件设计者开始编写第一行RTL之前就能运行软件!
以可控成本实现最佳PPA的定制计算
添加定制指令已经是提高处理器效率的一个非常有效的方法。但还有许多有用的额外功能。比如增加处理器和接口或其他处理元素之间的数据吞吐量,并行化一些操作,管理特定的数据类型,或增加与应用相关的功能。这些可修改的例子不仅仅是只增加指令,而是为实际应用带来量身定制的优势所在。
在Codasip,我们称之为 -定制计算。
定制计算使设计者能够为特定类型的工作负载创建优化的硬件。它可以实现任何工艺技术增益都无法带来的PPA收益,包括已经失效的摩尔定律。
定制指令的优势
定制计算对于需要高性能、低延迟或高能效的应用特别有价值。更重要的是它可以构建不二的差异化竞品,与实际需求完美匹配的竞品。而这也是处理器工程的 "高级定制"。
提高安全性和可靠性
除去性能和能源效率之外,定制计算还可以使企业通过在处理器的核心部分增加安全功能来提高安全性。通过创建定制指令,还可以使软件具有排他性,使得竞争对手无法使用,同时使潜在的攻击者难以生存,提高整个系统的安全和安全性。
此外,定制计算还可以专注于提高可靠性和减少维护成本。通过添加纠错功能和特殊运行时的硬件检查,以减少硬件故障的风险,并尽量减少停机时间。例如工业物联网或汽车等应用。
灵活性是关键
通过定制进行创新
总之,RISC-V定制和更普遍的定制计算带来了显著的效率提升。通过硬件和软件团队之间紧密的合作来实现,同时需要强有力的方法论和高效的工具来支持。手动完成所有这些将是一项巨大的任务。这就是为什么Codasip可以通过以下解决方案协助目标达成:
可定制的RISC-V IP
帮助识别改进领域和支持硬件/软件共同优化方法的工具。
审核编辑 :李倩
- 神经网络
+关注
关注
42文章
4716浏览量
99785 - 数据类型
+关注
关注
0文章
233浏览量
13557 - RISC-V
+关注
关注
43文章
2099浏览量
45588
原文标题:当概念不再是概念 - 可定制RISC-V,软/硬件协同优化,定制计算... ...
文章出处:【微信号:Codasip 科达希普,微信公众号:Codasip 科达希普】欢迎添加关注!文章转载请注明出处。
发布评论请先登录
相关推荐
评论