用于芯片的电压波动补偿控制方法及系统与流程

本发明涉及电压补偿技术，尤其涉及一种用于芯片的电压波动补偿控制方法及系统。

背景技术：

1、随着集成电路技术的不断发展，芯片的集成度越来越高，功能越来越复杂，工作频率也不断提高。这些因素导致芯片的功耗持续增加，同时对供电电压的稳定性要求也越来越高。然而，在实际应用中，芯片的供电电压常常会出现波动，这些波动可能源于多种因素，如负载变化、电源噪声、温度变化等。电压波动会对芯片的性能、可靠性和寿命产生不利影响，严重时甚至可能导致芯片故障。

2、现有技术中，一般通过在芯片电源端增加去耦电容等无源元件，减少电压波动的幅度。这种方法简单易行，但效果有限，难以应对快速、大幅度的电压波动。也有基于历史数据和负载模型，预测可能出现的电压波动，并提前进行补偿。这种方法可以提高补偿的及时性，但预测精度受多种因素影响，实际效果可能不稳定。

3、因此，亟需一种新的电压波动补偿控制方法及系统，能够克服现有技术的局限性，实现更加精确、快速、高效且智能的电压波动补偿，以满足现代芯片和多芯片系统日益严格的供电要求。

技术实现思路

1、本发明实施例提供一种用于芯片的电压波动补偿控制方法及系统，能够解决现有技术中的问题。

2、本发明实施例的第一方面，

3、提供一种用于芯片的电压波动补偿控制方法，包括：

4、在多芯片系统的每个芯片上布置电压传感器和智能体，利用所述电压传感器采集所在芯片的局部电压数据，并通过无线通信网络与相邻芯片上的电压传感器进行数据交互，利用基于卡尔曼滤波的多传感器信息融合算法将各个电压传感器采集到的局部电压数据进行融合，得到多芯片系统的分布式电压波动数据；

5、根据所述分布式电压波动数据，生成表征多芯片系统整体电压分布的电压波动分布图，基于得到的电压波动分布图，利用自适应调度算法动态调整各个电压传感器的工作状态和数据上报频率，同时利用各个电压传感器上设置的智能体，基于所述电压波动分布图和各个电压传感器的当前工作状态，利用模型预测控制算法得到芯片级的电压补偿控制数据；

6、利用基于共识机制的分布式优化算法，将各个智能体所得到的电压补偿控制数据进行迭代融合和更新，直至满足预设的迭代次数，得到全局最优电压控制补偿数据，并利用在线学习算法对所述全局最优电压补偿控制数据进行自适应优化，根据优化后的全局最优电压补偿控制数据，控制各个芯片中的电源管理电路对芯片的供电电压进行调节，并通过智能功率管理策略最小化供电电压调节过程中的能量损耗，以实现多芯片系统的电压波动补偿。

7、在一种可选的实施例中，

8、基于所述电压波动分布图和各个电压传感器的当前工作状态，利用模型预测控制算法得到芯片级的电压补偿控制数据包括：

9、构建描述芯片电压响应行为的偏微分方程，所述偏微分方程包括泊松方程和热方程，其中，所述泊松方程的源项为芯片中各单元的瞬时电流分布；所述热方程的源项为芯片中各单元的焦耳热；

10、基于构建的偏微分方程，设计全连接神经网络，所述全连接神经网络以芯片中节点的时空坐标和芯片中各单元瞬时电流分布为输入，以芯片中节点的电压分布和温度分布为输出；

11、构建全连接神经网络的联合损失函数，所述联合损失函数包括数据拟合损失和物理约束损失，并通过自适应梯度优化算法，通过最小化联合损失函数训练全连接神经网络，得到最终的芯片电压响应预测模型；

12、给定芯片中任意节点的时空坐标和电流激励，将其输入到所述芯片电压响应预测模型中，预测得到当前节点处的瞬时电压值和瞬时温度值，结合电压波动分布图和各个电压传感器的当前工作状态，分析芯片中各个模块的功耗情况，根据分析结果动态调节各个模块的工作频率和电压，得到芯片级的电压补偿控制数据。

13、在一种可选的实施例中，

14、构建全连接神经网络的联合损失函数，所述联合损失函数包括数据拟合损失和物理约束损失包括：

15、所述联合损失函数的计算公式如下：

16、；

17、其中，l(θ)表示联合损失函数，θ表示全连接神经网络参数，ldata(θ)表示数据拟合损失，λ表示物理约束损失的权重系数，lphys(θ)表示物理约束损失；

18、所述数据拟合损失的计算公式如下：

19、；

20、其中，n表示样本数量，表示预测电压值， φ i表示实际电压值，表示预测温度值，t i表示实际温度值；

21、所述物理约束损失的计算公式如下：

22、；

23、其中，ω表示芯片的求解域，▽表示梯度运算符，σ表示热导率，∂表示偏导数，ρ表示电荷密度，t表示时间，k表示单元数量，ik(t)表示第k个单元在t时刻的瞬时电流，δ(·)表示三维狄拉克函数，x表示芯片中的x轴坐标，y表示芯片中的y轴坐标，z表示芯片中的z轴坐标，xk表示第k个单元的x轴坐标，yk表示第k个单元的y轴坐标，zk表示第k个单元的z轴坐标，cp表示比热容，η表示热扩散率。

24、在一种可选的实施例中，

25、利用基于共识机制的分布式优化算法，将各个智能体所得到的电压补偿控制数据进行迭代融合和更新，直至满足预设的迭代次数，得到全局最优电压控制补偿数据包括：

26、构建多芯片系统的通信拓扑图模型，所述通信拓扑图模型包括节点特征矩阵和边特征矩阵，其中节点特征矩阵中的元素表示对应节点的电压状态信息，边特征矩阵中的元素表示对应节点之间的通信链路信息；

27、每个节点采集当前时刻的自身电压测量值，通过与邻居节点通信获得当前时刻邻居节点的电压测量值以及与邻居节点之间的通信链路信息；

28、针对每个节点，将所述当前时刻的自身电压测量值、邻居节点电压测量值以及通信链路信息输入至通信拓扑图模型，经过至少两层图卷积层和注意力层的前向传播计算，输出当前节点的电压补偿控制量；

29、将得到的电压补偿控制量作为反馈值，与当前时刻的自身电压测量值叠加，得到更新后的节点电压状态，并通过邻居通信机制将更新后的节点电压状态广播给邻居节点；

30、各个节点根据接收到的邻居节点电压状态，更新自身所存储的邻居节点电压状态，重复迭代直至满足预设的迭代次数，得到全局最优电压控制补偿数据。

31、在一种可选的实施例中，

32、构建多芯片系统的通信拓扑图模型包括：

33、采用基于图神经网络的图编码器提取当前时刻多芯片系统的通信拓扑图的特征表示，所述图编码器通过自注意力机制聚合节点特征和邻域信息，并引入残差连接和层归一化操作增强节点特征表示能力，得到增强后的当前时刻图特征表示；

34、将增强后的当前时刻图特征表示与历史轨迹信息输入到基于注意力机制的轨迹更新模块中进行融合，所述轨迹更新模块通过位置感知注意力机制自适应地聚合不同历史时刻的图状态特征表示，并更新隐藏状态，得到融合后的当前时刻隐藏状态；

35、利用预设的基于transformer架构的自回归模型对融合后的当前时刻隐藏状态进行解码，所述自回归模型通过多头自注意力机制和位置编码建模节点间的依赖关系，并使用边预测注意力层聚合节点对的表示，预测生成下一时刻节点之间的连接概率，得到预测生成的下一时刻通信拓扑图；

36、将下一时刻通信拓扑图作为更新后的当前时刻多芯片系统的通信拓扑图，使用图编码器提取其图特征表示，并将提取到的图特征表示加入到历史轨迹信息中作为最新的历史图状态特征表示，重复迭代直到满足预设的迭代次数，得到最终的多芯片系统的通信拓扑图。

37、在一种可选的实施例中，

38、根据优化后的全局最优电压补偿控制数据，控制各个芯片中的电源管理电路对芯片的供电电压进行调节，并通过智能功率管理策略最小化供电电压调节过程中的能量损耗，以实现多芯片系统的电压波动补偿包括：

39、在芯片内设置多个电力路由单元，每个电力路由单元包括功率开关矩阵和控制器，利用控制器动态配置功率开关矩阵的开关连接状态，构建芯片内部能量传输路径，相邻电力路由单元之间直接连通，通过控制相邻电力路由单元的连接状态，搭建覆盖整个芯片的电力路由网络；

40、将芯片划分为多个区域，每个区域设置一个本地能量路由中心，区域内电力路由单元与对应的本地能量路由中心连接，逐级汇聚能量；基于树形的拓扑结构，在相邻芯片的能量路由中心之间引入环形连接，最终得到多芯片系统的分层能量路由拓扑结构；

41、基于多芯片系统的分层能量路由拓扑结构，利用自适应能量路由算法，获取各芯片的能量供需状态数据，基于获取的能量供需状态数据构建系统状态空间，将每个所述电力路由单元的可能路由动作定义为路由动作空间，以能量损耗作为即时奖励函数；基于系统状态空间、路由动作空间和即时奖励函数，求解各系统状态下的最优路由动作序列，形成动态调整的智能功率管理策略；

42、引入跨芯片电压均衡机制，在每个芯片上集成电压传感器，采集各芯片的实时电压数据，通过电力路由网络将采集的电压数据共享至其他芯片，基于共享的电压数据，计算各芯片间的电压差异，并设定统一的电压均衡阈值，计算各芯片节点的电压数据相对于电压均衡阈值的电压偏移量；选择电压偏移量最大的芯片作为源芯片，电压偏移量最小的芯片作为宿芯片；

43、根据得到的智能功率管理策略，规划从源芯片到宿芯片的能量分配路径，通过源芯片与宿芯片上对应的电力路由单元中的功率开关矩阵，实现源芯片向宿芯片的定向能量传输，完成局部区域的电压波动补偿；

44、持续监测各芯片的电压水平变化，判断各芯片的电压水平是否均已达到电压均衡阈值范围内；若否，则重复执行局部区域的电压波动补偿步骤，直至所有芯片的电压水平均达到电压均衡阈值范围内，完成多芯片系统的电压波动补偿。

45、在一种可选的实施例中，

46、基于系统状态空间、路由动作空间和即时奖励函数，求解各系统状态下的最优路由动作序列，形成动态调整的智能功率管理策略包括：

47、引入资格迹和特征函数，通过q-learning算法更新能量路由策略，求解各系统状态下的最优路由动作序列，计算公式如下：

48、；

49、其中，q*(·)表示更新后的能量路由策略，q(st，at)表示在状态st下采取动作at的与其回报值，α表示学习率，rt表示t时刻的即时奖励，γ表示折扣因子，表示在t时刻之后的下一时刻的状态采取最优动作所对应的能量路由策略，β表示资格迹衰减率，g表示特征函数的数量， εg(·)表示特征函数，dg表示第g个特征函数对应的资格迹；

50、其中，以能量传输损耗作为即时奖励函数，计算公式如下：

51、；

52、其中，r(s，d)表示从源芯片s到宿芯片d的能量损耗，作为即时奖励，h表示电力路由单元数量，rh表示第h个电力路由单元的电阻，ih表示第h个电力路由单元的电流，th表示第h个电力路由单元的传输时间，μh表示第h个电力路由单元的能量传输效率，jh表示第h个电力路由单元的电流密度，j0表示电流密度的参考值，m表示功率开关的数量，vj表示第j个功率开关的电压，ij表示第j个功率开关的电流，tj表示第j个功率开关的传输时间，μj表示第j个功率开关的能量传输效率，e表示底数，jj表示第j个功率开关的电流密度。

53、本发明实施例的第二方面，

54、提供一种用于芯片的电压波动补偿控制系统，包括：

55、第一单元，用于在多芯片系统的每个芯片上布置电压传感器和智能体，利用所述电压传感器采集所在芯片的局部电压数据，并通过无线通信网络与相邻芯片上的电压传感器进行数据交互，利用基于卡尔曼滤波的多传感器信息融合算法将各个电压传感器采集到的局部电压数据进行融合，得到多芯片系统的分布式电压波动数据；

56、第二单元，用于根据所述分布式电压波动数据，生成表征多芯片系统整体电压分布的电压波动分布图，基于得到的电压波动分布图，利用自适应调度算法动态调整各个电压传感器的工作状态和数据上报频率，同时利用各个电压传感器上设置的智能体，基于所述电压波动分布图和各个电压传感器的当前工作状态，利用模型预测控制算法得到芯片级的电压补偿控制数据；

57、第三单元，用于利用基于共识机制的分布式优化算法，将各个智能体所得到的电压补偿控制数据进行迭代融合和更新，直至满足预设的迭代次数，得到全局最优电压控制补偿数据，并利用在线学习算法对所述全局最优电压补偿控制数据进行自适应优化，根据优化后的全局最优电压补偿控制数据，控制各个芯片中的电源管理电路对芯片的供电电压进行调节，并通过智能功率管理策略最小化供电电压调节过程中的能量损耗，以实现多芯片系统的电压波动补偿。

58、本发明实施例的第三方面，

59、提供一种电子设备，包括：

60、处理器；

61、用于存储处理器可执行指令的存储器；

62、其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。

63、本发明实施例的第四方面，

64、提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。

65、在本实施例中，通过在每个芯片上布置电压传感器，并利用多传感器信息融合算法，可以实时、准确地获取整个多芯片系统的分布式电压波动数据。基于电压波动分布图，系统能够动态调整各个电压传感器的工作状态和数据上报频率。这种自适应机制可以在保证监测精度的同时，优化系统资源利用。每个芯片上的智能体可以基于局部信息和全局电压分布，计算出芯片级的电压补偿控制数据，这种分布式方法使得系统能够快速响应局部电压波动。通过基于共识机制的分布式优化算法，系统可以将各个智能体的局部决策融合成全局最优的电压补偿控制策略，确保了整个多芯片系统的电压稳定性得到全面优化。利用在线学习算法对全局最优电压补偿控制数据进行自适应优化，使系统能够不断学习和改进其控制策略，适应不同的运行条件和负载变化。通过智能功率管理策略，在进行电压调节时最小化能量损耗，提高了整个系统的能量效率。通过精确的电压监测和智能补偿，可以有效减少电压波动对系统性能和可靠性的影响，提高整个多芯片系统的稳定性，实现了多芯片系统电压的精确监测、智能补偿和优化控制，大大提高了系统的性能、稳定性和能效。