Self-Adaptation at Chip-Level

DSpace Repository


Dateien:

URI: http://nbn-resolving.de/urn:nbn:de:bsz:21-opus-58685
http://hdl.handle.net/10900/49593
Dokumentart: Dissertation
Date: 2011
Language: English
Faculty: 7 Mathematisch-Naturwissenschaftliche Fakultät
Department: Informatik
Advisor: Rosenstiel, Wolfgang (Dr. rer. nat.)
Day of Oral Examination: 2011-06-01
DDC Classifikation: 004 - Data processing and computer science
Keywords: Maschinelles Lernen , CAD , Selbst organisierendes System
Other Keywords: System on Chip
Machine Learning , Self-organizing system , Computer-aided design
License: Creative Commons - Attribution, Non Commercial, No Derivs
Show full item record

Inhaltszusammenfassung:

Diese Dissertation stellt eine neue Entwurfsmethode für einen selbst-anpassenden Regler vor, mit der sich Selbst-Anpassung auf Chip-Ebene realisieren lässt. Der Entwurf von System-on-chip sieht sich zur Zeit zahlreichen Probleme gegenüber, etwa Schwankungen beim Herstellungsprozess, Variabilitäten in Transistoren oder Alterungserscheinungen. Diesen Problemen wird zur Zeit mit adaptiven oder einstellbaren Schaltkreisen begegnet. Diese Schaltkreise lassen sich jedoch schlecht in neuen Entwürfen wiederverwenden, erhöhen den Aufwand im Entwurfsprozess und sind eng an Sensoren und Effektoren gekoppelt, was die technologische Weiterentwicklung behindert. Der vorgestellte selbst-anpassende Regler nimmt sich der Probleme rein adaptiver Schaltkreise an: er ist in verschiedenen Einsatzbereichen anwendbar, sein Entwurf ist automatisiert mithilfe der vorgestellten Entwurfsmethode und er kann mit verschiedenen Sensoren und Effektoren betrieben werden. Die vorgeschlagene Entwurfsmethode enthält insbesondere folgende Neuerungen: sie verwendet einen maschinellen Lernalgorithmus, nämlich das Learning-Classifier-System XCS, und zur Entwurfs- und zur Laufzeit zwei verschiedene Versionen des Lernalgorithmus. Ein maschineller Lernalgorithmus verringert den Aufwand im Entwurfsprozess, da er die Bestimmung von Kenngrößen automatisiert. Mit den zwei verschiedenen Versionen des Lernalgorithmus stehen zur Entwurfszeit eine leistungsstarke jedoch komplexe Software, zur Laufzeit hingegen eine leichtgewichtige jedoch etwas eingeschränkte Hardware zur Verfügung. Die beiden Versionen berücksichtigen dabei die jeweils unterschiedlichen Rahmenbedingungen und Optimierungsziele zur Entwurfszeit und zur Laufzeit. Drei Anwendungsbeispiele und zahlreiche Experimente zeigen die vielseitige Einsetzbarkeit der vorgestellten Entwurfsmethode und des selbst-anpassenden Reglers. Sie zeigen, wie der selbst-anpassende Regler die Frequenz und Spannung eines Chips steuert, wie er sich an Ereignisse anpasst, die zur Entwurfszeit nicht berücksichtigt wurden (etwa Abweichungen in der Umgebung oder der Ausfall von Komponenten), wie er ohne zentrale Kontrollinstanz mit einem Multi-Core-System skaliert und wie er bei eingeschränktem Lernen zur Entwurfszeit Verallgemeinerungen trifft. Darüber hinaus erweitert diese Dissertation die Theorie des XCS, um Problemstellungen variabler Ordnung zu lösen, die bei diesem neuartigen Einsatz des XCS auftreten. Die Dissertation enthält außerdem eine SystemC-Simulationsbibliothek, mit welcher der maschinelle Lernalgorithmus trainiert wird.

Abstract:

This thesis proposes a design methodology for a self-adaptive controller to realize self-adaptation at chip level. Current system-on-chip design faces numerous problems such as process variation, transistor variability, and degradation effects, which are addressed with custom adaptive and adjustable circuits. These adaptive circuits have low design reuse rates, take a considerable amount of time during the design process, and are closely intertwined with sensors and effectors, hindering technological advancement. The proposed self-adaptive controller addresses the issues of merely adaptive circuits: it solves different adaptation problems, its design is automated by the proposed design methodology, and it connects with different sensors and effectors. The main novelties of the proposed design methodology are employing a machine learning algorithm, namely the learning classifier system XCS, and two different versions of the self-adaptive controller at design time and run time. A machine learning algorithm reduces the design effort, as it automates the process of finding optimal parameter settings. Two different versions, a powerful but complex software version at design time and a lightweight but restricted hardware version at run time, consider the different optimization criteria of the two time periods. Three examples and several experiments show the benefits of the proposed design methodology and the self-adaptive controller. They show how the self-adaptive controller controls the frequency and voltage of a chip, how it adapts to events that have not been foreseen during design time (such as changes in the environment or component failures), how it scales with multi-cores by cooperation without the need for central control, and how it generalizes from restricted learning at design time. Additionally, this thesis extends the current state on XCS theory to cover problems with varying schema order, which is typically encountered in SoC adaptation problems. The thesis thus contributes to both SoC design and learning classifier systems. Lastly, the thesis includes a simulation library, which is based on the industry standard SystemC. The simulation library co-simulates the hardware and software of the SoCs and trains the machine learning algorithm.

This item appears in the following Collection(s)

cc_by-nc-nd Except where otherwise noted, this item's license is described as cc_by-nc-nd