La exploración del espacio de diseño de micro-arquitectura (DSE) es esencial para la optimización del rendimiento del procesador. Sin embargo, los enfoques existentes generalmente carecen de interpretabilidad, impidiendo que los diseñadores comprendan y ajusten las decisiones. En este artículo, desarrollamos un marco de Red Neuronal Difusa Explicable (FNN) acoplado con Aprendizaje por Refuerzo (RL) de múltiple fidelidad para la optimización de micro-arquitectura. En cambio, este enfoque propuesto es uno basado en difusos. Induce reglas de diseño legibles al imitar una red neuronal sin limitar su flexibilidad. Empleamos una estrategia de RL de múltiple fidelidad para permitir simultáneamente una evaluación rápida en modelos analíticos, así como realizar una validación de diseño precisa en simulaciones de nivel de transferencia de registros (RTL) para ahorrar tiempo y garantizar la corrección. El aprendizaje oportuno de este tipo reduce enormemente los costos computacionales y retiene soluciones de calidad adecuada. La FNN aprende reglas de decisión interpretables de manera no supervisada, permitiendo al diseñador visualizar los caminos de optimización tomados e incorporar conocimiento del dominio para guiar la exploración. Nuestros experimentos muestran que nuestro enfoque mejora sustancialmente la eficiencia y precisión en comparación con los métodos de DSE de última generación, produciendo micro-arquitecturas casi óptimas con un presupuesto de muestra muy pequeño. La interpretabilidad del marco también permite a los diseñadores inspeccionar visualmente y optimizar los compromisos arquitectónicos. Casi cierra la brecha entre la optimización de caja negra y la toma de decisiones guiada por humanos, nuestra metodología establece una base sólida tanto para DSE de micro-arquitectura explicable como eficiente, ofreciendo un camino para trabajos futuros que se dirigen a métodos más transparentes y modelados de diseño de procesadores.
Alkhiri et al. (Tue,) estudiaron esta cuestión.