基于图神经网络的BWDSP指令选择方法优化研究

现阶段,现代处理器选用不同的策略处理编译完成的代码指令,而选用的指令影响后端代码的性能优化.指令选择所采用的策略依然与传统的基于宏扩展和基于图覆盖的方法相似,且不支持部分复杂的指令,无法充分利用复杂指令带来的高效率,因此也亟需一种新型且有效、可拓展、可移植的指令选择策略.近些年图神经网络GNN在处理非欧氏数据上取得了很多的突破.本文将GNN应用于基于BWDSP平台编译器后端的指令选择的处理过程中,基于图节点的分类、边属性的预测和图分类提出一种低耦合性的指令选择模型,通过实验验证并对比这种方法与传统方法的有效性.并且证明了一个高效的指令选择策略能够充分利用BWDSP的资源,降低程序执行的代价.在提高BWDSP指令选择能力的同时,也期望能将该方法应用到不同平台的指令集,或者编译优化的其它子领域和不同的编译器中.

基于RapidIO的多DSP互联仿真实现

RapidIO协议作为数据通信协议之一在嵌入式系统开发中具有重要作用,适合短距离,需要多处理单元合作的应用场景,例如多DSP构成的板卡系统.BWDSP芯片作为一款高性能数字信号处理器,其丰富的计算资源在雷达信号处理等领域具有重要潜力.硬件设计开发中,直接采用已有数据通信协议很难适配具体硬件资源导致最终产品的数据传输性能较低.因此需要结合具体硬件模型,进行数据通信交换模型仿真建模设计,提高数据传输效率.本文首先介绍了RapidIO协议和BWDSP体系架构,然后设计了基于SystemC语言的串行RapidIO交换模型,最后设计实现了BWDSP虚拟平台.本文设计的BWDSP虚拟平台功能符合实际RapidIO协议标准,对硬件产品开发具有一定指导意义.

深度学习节点分配的遗传算法设计

随着深度学习技术的快速发展,模型的结构越来越复杂,需要的计算资源和存储资源也越来越多.单核计算设备通常无法满足深度学习的需求,通常将深度学习模型部署在众核和分布式计算设备上.BWDSP众核虚拟平台具有较强的计算能力和较大的存储资源,提供的并行通信接口MPIRIO适合深度学习模型的部署.本文基于BWDSP众核虚拟平台和并行通信接口MPIRIO,使用遗传算法优化深度学习模型在BWDSP虚拟平台上的部署,加速深度学习模型的训练过程.设计了静态遗传算法和动态遗传算法两种算法,优化了深度学习模型计算节点在BWDSP虚拟平台上的分配,实现了虚拟平台上的深度学习模型加速,并通过实验证明了两种遗传算法的有效性.