专利权人 | 西北工业大学 | ||||
专利名称 | 一种芯片动态热管理中热传感器温度实时校准的方法 | ||||
专利简介(摘要) | 本发明提供了一种芯片动态热管理中热传感器温度实时校准的方法。首先,利用平滑滤波得到热传感器温度预测值;然后,通过卡尔曼滤波将温度预测值和观测值进行融合,得到第一次热传感器温度校准值;接着,利用第一次卡尔曼滤波得到的校准值和相关性系数判断热传感器观测值偏大或偏小,并对热传感器温度观测值进行校正;最后,再次利用卡尔曼滤波将校正后的观测值和平滑滤波得到的预测值进行融合。利用本发明方法可以得到更加准确的热传感器温度估计值,实现热传感器温度的实时校准。 | ||||
专利类型 | 发明专利 | ||||
专利号 | CN201710798296.X | 申请日 | 2017-9-7 | 有效期限 | 20年 |
技术领域 | 其它, | ||||
解决的技术问题 | 随着集成电路特征尺寸的缩小和性能需求的增加,其功率密度迅速上升,导致芯片温度不断升高。此外,为了提高处理器性能,芯片设计者不断提升处理器频率,导致其动态功耗不断增加。再者,随着集成电路制造技术的不断改进,门电路的阈值电压、氧化厚度以及通道长度进一步减小,致使漏电流不断增大,漏电功耗(即静态功耗)显著增加。目前研究显示,电路总功耗中静态功耗已经占据一半以上。值得注意的是,静态功耗不但与制造工艺有关,还和芯片温度存在一定关系。一方面,静态功耗随芯片温度的上升呈指数级增加;另一方面,增加的静态功耗反过来会进一步提高芯片温度,导致恶性循环,进而出现热失控。 近年来,高性能多核处理器普遍集成片上热传感器,采用动态热管理(DynamicThermal Management,DTM)技术对芯片实施连续温度监控,一旦温度超过警戒阈值,便采取调节手段使其恢复到安全范围内。然而,实际芯片中的热传感器不可避免地伴随有多种噪声,例如制造随机性噪声、电源电压噪声、温度与电路参数交叉耦合和非线性关系引起的噪声等等。这些噪声大部分是由于生产制造的不完美性和环境的不确定性造成的。具体来说,因为当前半导体工艺技术的客观限制,不可避免地存在生产制造的随机性,即在实际制造中各个器件不可能和设计的参数毫无出入。同时,在芯片上还存在电网噪声和交叉耦合效应。此外,热传感器的温度参数和芯片参数之间还存在一些非线性的限制关系问题。由于这些噪声源理论上不能被完全消除,即使不断提高半导体的制造工艺,努力提供稳定的运行环境,也只能减小噪声的产生,这就给动态热管理的运行埋下了隐患。如果不对片上热传感器温度读数进行降噪处理,热点误警率会显著增加,在一定程度上会加剧错误的预警和不必要的响应,使动态热管理的可靠性受到严重影响,给系统性能带来不必要的损失。一方面,过高的温度估计会引起错误的预警和触发不必要的热控制机制,导致动态热管理的使用次数增加;另一方面,过低的温度估计将极大降低处理器的可靠性,甚至导致芯片的损坏。 实时有效的热传感器温度校准方法对芯片的性能、寿命、可靠性等影响至关重要,已成为一个新兴且极其重要的研究方向及一个迫切需要解决的问题。通过对现有技术文献检索发现,Yufu Zhang和Ankur Srivastava在2011年IEEE Transactions on Very LargeScale Integration(VLSI)Systems(IEEE超大规模集成电路系统)发表文章《AccurateTemperature Estimation Using Noisy Thermal Sensors for Gaussian and Non-Gaussian Cases》(对于含噪热传感器在高斯和非高斯噪声下的精确温度估计),该文章对于芯片上含噪热传感器温度估计提出了一种统计学的处理方法,分别对单传感器和多传感器在高斯和非高斯噪声两种状态下的温度估计进行分析。其不足之处在于该方法首先需要模拟出芯片的先验功率密度信息,缺乏实时预测的能力,实用性较差。 | ||||
发明内容 | 为了克服现有技术的不足,本发明提供一种芯片动态热管理中热传感器温度实时校准的方法。本发明方法是一种基于平滑滤波和空间相关性的卡尔曼滤波估计方法:首先,利用多项式拟合热传感器温度和输出频率之间的非线性关系,获得温度观测值;然后,通过平滑滤波技术得到温度预测值,进而将温度观测值和预测值利用卡尔曼滤波进行融合;接着,建立多传感器空间相关性模型和观测温度校正算法,利用相关性对噪声温度观测值进行修正;最后,再次利用卡尔曼滤波将修正后的观测值和平滑滤波得到的预测值进行融合,给出最佳温度读数估计值。 一种芯片动态热管理中热传感器温度实时校准的方法,其特征在于步骤如下: 步骤1:根据频率与温度的关系式模拟不同温度下对应的输出频率值,将模拟得到的温度和频率的数据集进行多项式拟合,通过拟合关系式将环形振荡器输出频率转换为热传感器温度观测值; 步骤2:对所有当前时刻之前的温度校准值向量进行平滑滤波,得到热传感器的温度预测值向量 其中,为温度预测值向量,k表示当前时刻,Ns为平滑滤波长度,Ns≤k-1,B为系统输入矩阵; 步骤3:利用将步骤2得到的温度预测值向量和温度观测值向量S(k)进行卡尔曼滤波融合,得到热传感器的第一次温度校准值向量 其中,K(k)=P(k|k-1)HT[H P(k|k-1)HT+R]-1为卡尔曼增益矩阵,H为系统输出矩阵,R为观测噪声向量υ(k)的协方差矩阵,P(k|k-1)=B P(k-1|k-1)BT+Q为误差协方差矩阵,满足P(k|k)=[I-K(k)H]P(k|k-1),I为单位矩阵,Q为过程噪声向量ω(k)的协方差矩阵; 步骤4:利用计算两两传感器之间的相关性系数,其中,κ为第二类修正贝塞尔函数,Γ为伽马函数,v为两个传感器之间的空间距离,b和s为调节函数形状的两个实数参数,b,s>0,ρ为相关性系数,下标i、j为传感器序号,i,j=1,…,M,M为传感器个数; 对于任一传感器m,如果其和所有其他传感器的相关性系数均满足ρm,i<λ,i=1,…,M且i≠m,λ为设定阈值,λ∈(0,1),则按式(2)对该传感器的温度观测值Sm(k)进行修正,得到修正后的温度观测值向量 其中,为传感器m修正后的温度观测值,也即修正后的温度观测值向量的第m个分量;Sm(k)为温度观测值向量S(k)的第m个分量;Sn(k)为温度观测值向量S(k)的第n个分量;为传感器m的第一次温度校准值,也即第一次温度校准值向量的第m个分量;为传感器n的第一次温度校准值,也即第一次温度校准值向量的第n个分量;n为满足ρm,n>ρm,j,且j≠m,n的传感器序号; 步骤5:按式(3)对修正后的温度观测值向量和温度预测值向量进行二次卡尔曼滤波,得到当前时刻热传感器最终的温度校准值向量T(k|k): | ||||
技术效果 | 本发明的有益效果是:由于采用基于平滑滤波的卡尔曼滤波,故热传感器温度的预测值将更加平稳贴近实际温度值,同时利用芯片热点温度之间的空间相关性对热传感器温度观测值进行修正,因此最终将得到更加准确的热传感器温度估计值。 | ||||
专利交易方式 | 转让 | ||||
预计交易额 | 面议元 | ||||
联系人 | 电话 | 029-88382398 | |||
邮箱 | |||||
备 注 |