رو شی جهت طراحی بهینه ی مدل مبتنی بر شبکه عصبیLSTMبرای پیشبینی دما درسامانه ی دما-آگاه شبکه بر تراشه ی سه بعدی۳D NoC

در سالهای اخیر شبکه بر تراشه های سه بعدی (۳D) NoC به جهت مقیاس پذیری کاهش تاخیر پهنای باند بالا و انعطاف در مسیریابی بسیار مورد توجه طراحان قرار گرفته اند با این حال قراردادن لایه های مختلف سیلیکون بر روی یکدیگر سبب افزایش چگالی توان و در نتیجه افزایش دما و چالشهای ناشی از آن می.شود تا به امروز روشهای متفاوتی برای پیشبینی و مدیریت دما در ۳D NOCها پیشنهاد شده و برخی از آنان نیز نتایج قابل قبولی از منظر دقت در پیشبینی داشته اند. با این حال هیچ یک از این روشها پیچیدگی محاسباتی را در نظر ندارند. پیچیدگی یک مدل خود منجربه افزایش بار محاسباتی، تاخیر مصرف توان و تولید گرما خواهد بود. در این پژوهش روشی جهت انتخاب بهینه ترین مدل مبتنی بر شبکه عصبی LSTM ارائه و نتایج مورد ارزیابی قرار گرفته و با دو مورد از جدیدترین روشهای این حوزه مقایسه شده است. مدل پیشنهادی این مقاله در مقایسه با روشهای موجود مبتنی بر LSTM-NN ۳۰ برابر و در مقایسه با مدلهای موجود مبتنی بر برابر بهبود را نشان میدهد.

کلیدواژه ها:

الگوریتم ژنتیک ، پیشبینی دما ، شبکه بر تراشه سه بعدی ، شبکه عصبی حافظه کوتاه-بلند ، مسیریابی دما-آگاه