선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 퍼셉트론을 적용하여, 기존의 방식보다 우수한 성능의 다중 분기 예측기를 제안하였다. 이것을 위하여 동일한 하드웨어 비용을 기준으로 하여 기존의 Bi-Mode및 YAGS 다중 분기 예측기와 비교하였으며, 하드웨어 비용이 16 K 비트에서 128 K 비트의 범위에 있을 때 2 차와 3 차에서 평균 1.
제안 방법
- 본 모의실험에서, .Bi-Mode 다중 분기 예측기는 분기 히스토리 레지스터의 길이를 12 비트에서 15 비트의 범위로 설정하였다.
- . M 번째 분기 명령어에 대하여, 각각 히스토리 레지스터의 k 비트, k-1 비트, k-M+1 비트로 가중치 벡터 테이블을 각각 인덱스하여 M 개의 분기 명령어에 대한 예측을 수행한다.
- 비교하여 나타낸 것이다. 각 벤치마크 프로그램에 대하여, 2 차와 3 차의 다중 분기 예측 정확도를 Bi-Mode, YAGS, 퍼셉트론 방식 순으로 막대 그래프를 이용하여 도시하였다. 각 벤치마크마다 세 번째 막대 그래프가 더 높은 것은 본 논문에서 제안하는 퍼셉트론 방식의 예측 정확도가 보다 높다는 것을 의미한다.
- 마찬가지로, 세 번째 분기 어는 최우측의 k-2개의 히스토리 레지스터를 사용하여 패턴 히스토리 테이블 내의 4개의 인접한 항목을 접근한다. 그리고, 첫 번째와 두 번째 분기어의 예측을 바탕으로 세 번째 분기 어에 대한 예측을 수행한다.
- 기존의 신경망 분야에서 쓰이는 퍼셉트론 이론에 대하여 알아보고, 이것을 응용한 분기 예측법에 대하여 고찰한다. 또한, 2 단계 적응형 분기 예측기를 확장하여, 수퍼스칼라마이크로 프로세서에서 명령어 대역폭의 확대를 위하여 널리 이용되는 다중 분기 예측법의 원리를 설명한다.
- 다중 분기 예측법을 시행하기 위하여, 첫 번째 분 기어의 주소를 가중치 벡터표의 항목 수를 이용하여 해슁한 값으로 특정한 가중치 벡터를 색인하고, 이 값을 분기 히스토리 레지스터와 비트 단위로 곱하여 출력을 계산함으로써 첫 번째 분기 어를 예측한다. 두 번째 분기어는 첫 번째 분기어에 대한 예측이 옳다고 가정을 하여 시행하는데, 이것을 위하여 임시 분기 히스토리 레지스터의 최하위 1 비트를 퍼셉트론에 의한 예측값으로 갱신하고 색인된 가중치 벡터와 비트 단위 곱셈을 시행하여 구한다.
- 다중 분기 예측을 수행하기 위하여, 최근 k 개 분 기어의 분기 여부를 1 또는 0으로 기록한 히스토리 레지스터의 k 비트로 패턴 히스토리 테이블을 인덱스하여 첫 번째 분기 어를 예측한다. 두 번째 분기어를 예측하기 위하여, 가장 우측의 k-1 분기 히스토리 비트로 패턴 히스토리 테이블을 인덱스 한다.
- 부호와 실제 분기결과의 부호를 비교한다. 두 값의 부호가 일치하지 않거나 내적값이 임계치보다 작을 때는 해당 가중치 벡터의 모든 필드에 현재의 분기 결과와 분기히스토리 레지스터의 각 필드를 곱하여 더함으로써 학습시킨다.
- 예측한다. 두 번째 분기어는 첫 번째 분기어에 대한 예측이 옳다고 가정을 하여 시행하는데, 이것을 위하여 임시 분기 히스토리 레지스터의 최하위 1 비트를 퍼셉트론에 의한 예측값으로 갱신하고 색인된 가중치 벡터와 비트 단위 곱셈을 시행하여 구한다. 이러한 방식으로 한 싸이클에 2개의 분기어를 동시에 예측할 수 있다.
- 예측한다. 두 번째 분기어를 예측하기 위하여, 가장 우측의 k-1 분기 히스토리 비트로 패턴 히스토리 테이블을 인덱스 한다. 이때 인덱스를 위하여 k 비트 전부를 사용하지 않으므로, 패턴 히스토리 테이블 내의 두 개의 인접한 항목이 그 대상이 된다.
- 표 2는 본 모의실험에 대한 하드웨어 사양을 나타낸 것이다. 본 논문에서의 정확도 비교를 위하여, 기존의 Bi-Mode [9]와 YAGS [10]를 기반으로 하는 다중 분기 예측기를 구현하여 기준으로 삼았다. Bi-Mode 분기 예측기는 선택자 패턴 히스토리 테이블(Choice Pattern Hitstory Table), 미분기 방향 패턴 히스토리 테이블(Direction Pattern History Table Not-Taken), 분기 방향 패턴 히스토리 테이블(Direction Pattern History Table Taken)로 구성되는데, 각 방향 패턴 히스토리 테이블의 항목 수는 선택자패턴 히스토리 테이블의 절반에 해당된다.
- 퍼셉 트론을 기반으로 하는 예측기의 하드웨어 비용은 k가 분기 히스토리 레지스터의 길이, p가 가중치 벡터 표의 항목 수일 때, 2fc+1 Xp 비트에 해당한다. 이 때, 가중치 벡터표의 항목 수는 Bi-Mode 및 YAGS 다중 분기예측법과 하드웨어 비용이 동일하거나 보다 적도록 설정하였다.
- 이와 같이 분기 히스토리 레지스터와 가중치 벡터가 마련된 후에, 분기 명령어에 대한 예측을 수행하고자 할 때, 분기 어의 어드레스를 이용하여 0 부터 N-1 사이의 인덱스 [를생성하여 퍼셉트론 테이블을 접근한다. 이렇게 하여 테이블에서 [번째 퍼셉트론을 인출하여 가중치 벡터 Po.
- 추후에 분기 여부가 실제로 판명되었을 때, 본 가중치 벡터의 각 필드와 현재의 분기 히스토리 레지스터의 각 필드를 곱한 값들을 전부 더하여, 예측에 이용된 위 내적 결과값의 부호와 실제 분기결과의 부호를 비교한다. 두 값의 부호가 일치하지 않거나 내적값이 임계치보다 작을 때는 해당 가중치 벡터의 모든 필드에 현재의 분기 결과와 분기히스토리 레지스터의 각 필드를 곱하여 더함으로써 학습시킨다.
- 표 2에서 나타낸 것과 같이, 퍼셉트론 방식의 다중 분기 예측기에 대하여, 분기 히스토리 레지스터의 길이는 8 비트에서 64 비트 범위의 다양한 값을 대상으로 하여 모의실험을 수행하였다. 퍼셉 트론을 기반으로 하는 예측기의 하드웨어 비용은 k가 분기 히스토리 레지스터의 길이, p가 가중치 벡터 표의 항목 수일 때, 2fc+1 Xp 비트에 해당한다.
대상 데이터
- 그림 5와 6은 하드웨어 비용이 16 K 비트일 때의 결과로서, 퍼셉트론 방식의 경우 분기 히스토리 길이 16 비트이고 가중치 벡터의 항목 수는 1024이다. Bi-Mode와 YAGS 방식의 분기 히스토리 레지스터의 길이는 각각 12 비트와 11 비트이다.
- 7 % 높은 정확도를 가져왔다. YAGS 방식은 12 비트의 분기 히스토리 레지스터를 이용하였으며, 이 경우 5.6 % 높은 결과를 기록하였다. 퍼셉트론 방식의 정확도는 2 차와 3 차에서 모두 평균 94.
- 개의 SPEC 2000 정수형 프로그램이 사용되었다. 이 프로그램을 SunOS 운영체제하의 Sun Sparc 머신에서 C 컴파일러를 이용하여 실행 가능 화일을 얻었으며 [7], 이 실행 가능 화일과 Shade를 이용하여 Sparc V9 명령어 트레이스를 생성하였다 [8], 트레이스 구동 모의실험에서 각 프로그램마다 초기 5 천만 개의 명령어를 발생시켜 모의실험에 이용하였다. 표 2는 본 모의실험에 대한 하드웨어 사양을 나타낸 것이다.
이론/모형
- 본 논문에서는 신경망 분야에서 활용되는 퍼셉트론 방식을 마이크로 프로세서의 다중 분기 예측법에 적용하였다. 이것을 위하여 SPEC 2000 벤치마크 정수형 프로그램을 대상으로 하여 모의실험을 수행하여, 기존의 Bi-Mode 와 YAGS를 기반으로하는 다중 분기 예측법과 비교하여 그 정확도의 우수성을 보였다.
성능/효과
- 2차 분기를 시행하였을 때 퍼셉트론 분기 예측법을 Bi-Mode 분기 예측법과 비교하면, vortex에서 최고 4.2 %, mcf에서 최저 0.5 % 더 높은 정확도를 나타내었다. 한편, 퍼셉트론 방식을 YAGS 분기 예측법과 비교하였을 때, 역시퍼셉트론 방식이 vortex에서 최고 3.
- 1 %에 그쳤다. 3 차 분기를 시행하였을 때는 퍼 셉트론 방식이 Bi-Mode 방식보다 vortex에서 최고 4.8 %, mcf에서 최저 0.6 % 더 높은 정확도를 나타냈으며, YAGS 방식보다 vortex에서 3.5 % 우수하였다. 퍼셉트론 방식의 정확도는 2 차와 3 차에서 평균 93.
- 0 % 더 높다. Bi-Mode와 YAGS 방식의 증가된 하드웨어 자원으로 인하여 정 확도가 상승하여, 퍼셉트론 분기 예측법의 정확도의 증가가 16K 비트에서 32K 비트로 이행하는 경우에 비하여 64 K 비트에서 다소 둔화되었음을 알 수 있다. 마지막으로 그림 8은 128K 비트일 때의 분기 예측 정확도를 도시한 것이다.
- 각 벤치마크 프로그램에 대하여, 2 차와 3 차의 다중 분기 예측 정확도를 Bi-Mode, YAGS, 퍼셉트론 방식 순으로 막대 그래프를 이용하여 도시하였다. 각 벤치마크마다 세 번째 막대 그래프가 더 높은 것은 본 논문에서 제안하는 퍼셉트론 방식의 예측 정확도가 보다 높다는 것을 의미한다. 그림 5와 6은 하드웨어 비용이 16 K 비트일 때의 결과로서, 퍼셉트론 방식의 경우 분기 히스토리 길이 16 비트이고 가중치 벡터의 항목 수는 1024이다.
- 예측 정확도를 함께 나타낸 것이다. 동일한 하드웨어 비용에 대하여 분기 히스토리 레지스터의 길이가 증가할 수록 예측 정확도 역시 향상됨을 알 수 있다. 한편, 2 차의 분기 예측에서 3 차의 분기 예측으로 이행할 때, 본 논문에서 제 안하는 퍼셉 트론 방식 은 높은 정 확도를 여 전히 유지 하지만, 기존의 Bi-Mode 및 YAGS 방식에서는 정확도의 하락 폭이 커지기 때문에, 본 논문에서 제안하는 방식이 기존의 방식보다 2 차에 비하여 3 차에서 상대적인 분기 예측 정확도의 값이 더욱 증가함을 알 수 있다.
- 또한, 한 개의 명령어에 대한 예측을 기반으로 하는 2 차의 분기 예측 정확도가, 두 개의 명령어에 대한 예측을 기반으로 하는 3 차의 분기 예측 정확도보다 공통적으로 보다 높음을 알 수 있다.
- 적용하였다. 이것을 위하여 SPEC 2000 벤치마크 정수형 프로그램을 대상으로 하여 모의실험을 수행하여, 기존의 Bi-Mode 와 YAGS를 기반으로하는 다중 분기 예측법과 비교하여 그 정확도의 우수성을 보였다. 특히, 다양한 하드웨어 사양에 대하여 비교 연구를 수행하여 본 논문에서 제안하는 방법이 기존의 방식에 대하여 동일한 하드웨어 비용으로 더욱 높은 정확도를 기록하였다.
- 본 논문에서는 퍼셉트론을 적용하여, 기존의 방식보다 우수한 성능의 다중 분기 예측기를 제안하였다. 이것을 위하여 동일한 하드웨어 비용을 기준으로 하여 기존의 Bi-Mode및 YAGS 다중 분기 예측기와 비교하였으며, 하드웨어 비용이 16 K 비트에서 128 K 비트의 범위에 있을 때 2 차와 3 차에서 평균 1.9 %에서 2.4 % 범위의 높은 정확도를 나타내어 그 우수성을 확인할 수 있었다. 향 후의 연구과제로는, 퍼셉트론 방식의 다중 분기 예측법에 경로를 기반으로 하는 기법을 도입하거나 하이브리드 형태로 변형을 가하여 그 정확도를 좀 더 높이는데 있다.
- 이상 4가지 하드웨어 비용에 대한 평균 예측 정확도를 분석하면, 하드웨어 비용이 증가할수록 분기 예측 정확도가 증가하며, 같은 하드웨어 비용에서도 본 논문에서 제안하는 퍼셉트론 방식의 다중 분기 예측법 이 기존의 Bi-Mode 및 YAGS 다중 분기 예측법보다 항상 우수함을 확인할 수 있다. 또한, 한 개의 명령어에 대한 예측을 기반으로 하는 2 차의 분기 예측 정확도가, 두 개의 명령어에 대한 예측을 기반으로 하는 3 차의 분기 예측 정확도보다 공통적으로 보다 높음을 알 수 있다.
- 예를 들어, 분기 히스토리 레지스터의 길이가 11 비트일 때, YAGS의실제 하드웨어 비용은 16 K 비트가 아닌, 20 K 비트이다. 이와 같이 하드웨어 비용이 더 높음에도 불구하고, 본 논문에서 제안하는 퍼셉트론 방식의 다중 분기 예측기의 정확도가 YAGS보다 더 높음을 보일 것이다.
- 이것을 위하여 SPEC 2000 벤치마크 정수형 프로그램을 대상으로 하여 모의실험을 수행하여, 기존의 Bi-Mode 와 YAGS를 기반으로하는 다중 분기 예측법과 비교하여 그 정확도의 우수성을 보였다. 특히, 다양한 하드웨어 사양에 대하여 비교 연구를 수행하여 본 논문에서 제안하는 방법이 기존의 방식에 대하여 동일한 하드웨어 비용으로 더욱 높은 정확도를 기록하였다.
- 6 % 높은 결과를 기록하였다. 퍼셉트론 방식의 정확도는 2 차와 3 차에서 모두 평균 94.4 %를 기록하였으며, 이것은 Bi-Mode에 비하여 2 차와 3 차 분기 예측에 대하여 각각 2.0 %와 2.4 %, YAGS 에 비하여 1.8 %와 2.0 % 더 높다.
- Bi-Mode와 YAGS의 분기 히스토리 레지스터의 길이는 각각 14 비트와 13 비트로 증가하였다. 퍼셉트론 방식의 정확도는 2 차와 3 차에서 모두 평균 94.9 %를 기록하였으며, 이것은 Bi-Mode에 비하여 2 차와 3 차 분기 예측에 대하여 각각 2.0 %와 2.3 % 높으며, YAGS에 비하여 1.8 %와 2.0 % 더 높다. Bi-Mode와 YAGS 방식의 증가된 하드웨어 자원으로 인하여 정 확도가 상승하여, 퍼셉트론 분기 예측법의 정확도의 증가가 16K 비트에서 32K 비트로 이행하는 경우에 비하여 64 K 비트에서 다소 둔화되었음을 알 수 있다.
- 5 % 우수하였다. 퍼셉트론 방식의 정확도는 2 차와 3 차에서 평균 93.8 %와 93.7 %를각각 기록하였으며, 이것은 Bi-Mode에 비하여 2 차와 3 차분기 예측에 대하여 각각 2.0 %와 2.4 % 높으며, YAGS에비하여 1.5 %와 1.9 % 더 높다.
- 이 때, Bi-Mode와 YAGS 방식의 분기 히스토리 레지스터의 길이는 각각 15 비트와 14 비트이다. 퍼셉트론 분기 예측법의 2차 분기의 평균 예측 정확도는 95.3 %, 3 차의 경우 95.2 %로 최고치를 기록하였으며, 퍼셉트론 방식의 예측기가 Bi-Mode 예측기보다 2 차의 분기에서 평균 2.1 %, 3 차의 분기에서 2.2 % 각각 우수하고, YAGS에 비하여 각각 1.8 %, 1.9 % 우수하다.
- 동일한 하드웨어 비용에 대하여 분기 히스토리 레지스터의 길이가 증가할 수록 예측 정확도 역시 향상됨을 알 수 있다. 한편, 2 차의 분기 예측에서 3 차의 분기 예측으로 이행할 때, 본 논문에서 제 안하는 퍼셉 트론 방식 은 높은 정 확도를 여 전히 유지 하지만, 기존의 Bi-Mode 및 YAGS 방식에서는 정확도의 하락 폭이 커지기 때문에, 본 논문에서 제안하는 방식이 기존의 방식보다 2 차에 비하여 3 차에서 상대적인 분기 예측 정확도의 값이 더욱 증가함을 알 수 있다.
- 5 % 더 높은 정확도를 나타내었다. 한편, 퍼셉트론 방식을 YAGS 분기 예측법과 비교하였을 때, 역시퍼셉트론 방식이 vortex에서 최고 3.0 % 더 높았으나, bzip2에서는 0.1 %에 그쳤다. 3 차 분기를 시행하였을 때는 퍼 셉트론 방식이 Bi-Mode 방식보다 vortex에서 최고 4.
후속연구
- 4 % 범위의 높은 정확도를 나타내어 그 우수성을 확인할 수 있었다. 향 후의 연구과제로는, 퍼셉트론 방식의 다중 분기 예측법에 경로를 기반으로 하는 기법을 도입하거나 하이브리드 형태로 변형을 가하여 그 정확도를 좀 더 높이는데 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.