-
公开(公告)号：CN115879404A
公开(公告)日：2023-03-31
申请号：CN202211390949.8
申请日：2022-11-07
Applicant: 华南理工大学
IPC: G06F30/367 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于视觉Transform电路网表仿真加速优化方法，通过将电路网表生成的稀疏矩阵转换成灰度图像，再经VIT模型进行图像的特征提取后，选择最适合本电路网表的稀疏矩阵存储格式，从而达到后续电路仿真器计算加速的效果。利用本发明提出的基于VIT模型的矩阵灰度图分类识别方法，可以将电路仿真器乘法计算的速度显著提升，极大缩短芯片设计周期。
-
公开(公告)号：CN119311414B
公开(公告)日：2025-04-18
申请号：CN202411421334.6
申请日：2024-10-12
Applicant: 华南理工大学
Abstract: 本发明公开基于异构GPU负载均衡的图神经网络分区方法，涉及GNN技术，针对现有技术中没有考虑分区之间的通信影响等问题提出本方案。S1.获取原始图G及分区目标数量N；S2.使用图分区算法进行粗化分区；S3.将每个子图随机预分配给各GPU；S4.对每个GPU进行计算开销建模；S5.对每个GPU进行通信开销建模；S6.根据计算开销和通信开销，设置启发式分区函数和内存约束；S7.根据启发式分区函数和内存约束对粗化分区进行调整；S8.将划分完成的分区子图分配至对应的GPU，执行图计算任务并汇总输出。其优点在于，所划分的子图可以在精度影响很小的情况下，不仅能适配GPU的性能，还尽可能减少通信需求，并防止内存溢出，最终有效减少训练时间、提升训练效率。
-
公开(公告)号：CN118484296B
公开(公告)日：2025-01-21
申请号：CN202410461398.2
申请日：2024-04-17
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于GPU算力感知的启发式图分区方法，涉及图数据处理技术，针对现有技术中各个GPU负载不均衡的问题提出本方案。包括以下步骤：对原图进行边分区处理以得到各个GPU的负载子图，所述边分区处理由邻域扩展和模拟退火结合进行；衡量各个GPU子图的计算量，以确定子图训练顶点的分配；对缺失了一定邻域信息的切割顶点补全一跳邻居；分发各个子图到各个GPU上。优点在于，在子图上尽可能地保留原图的结构特征，从而保证训练精度不会有太多损失；加速分区的时间并避免落入局部最优；各个GPU最终的负载子图上的计算量与自身的算力相匹配，从而对整体的并行训练流程实现了加速效果。
-
公开(公告)号：CN117634394A
公开(公告)日：2024-03-01
申请号：CN202311630393.X
申请日：2023-11-30
Applicant: 华南理工大学
IPC: G06F30/367 , G06F30/27
Abstract: 本发明公开了一种EDA电路仿真器加速计算的方法，涉及电子设计自动化技术，针对现有技术中很难对真实数据预测的问题提出本方案。结合真实开源稀疏矩阵集合和企业真实电路矩阵集合基于DyLaClass算法进行标签和聚类后，通过机器学习模型训练得到最佳格式预测模型；在电路进行仿真并产生电路网表矩阵后，利用所述最佳格式预测模型对电路网表矩阵的最佳格式进行预测；将所述电路网表矩阵以最佳格式进行储存，再参与后续仿真运算。优点在于，所得到的模型预测准确度比现有技术的模型更加精确，用户可以尽可能的将更多的真实数据输入参与训练模型，而不需要将数据进行筛选剔除来拼凑一个较好的数据分布。可以更高效的提升电路矩阵乘法的速度。
-
公开(公告)号：CN115879404B
公开(公告)日：2024-10-22
申请号：CN202211390949.8
申请日：2022-11-07
Applicant: 华南理工大学
IPC: G06F30/367 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于视觉Transform电路网表仿真加速优化方法，通过将电路网表生成的稀疏矩阵转换成灰度图像，再经VIT模型进行图像的特征提取后，选择最适合本电路网表的稀疏矩阵存储格式，从而达到后续电路仿真器计算加速的效果。利用本发明提出的基于VIT模型的矩阵灰度图分类识别方法，可以将电路仿真器乘法计算的速度显著提升，极大缩短芯片设计周期。
-
Patent Agency Ranking
公开(公告)号：CN118607434A
公开(公告)日：2024-09-06
申请号：CN202410735022.6
申请日：2024-06-07
Applicant: 华南理工大学
IPC: G06F30/3312 , G06F30/394 , G06N3/042 , G06N3/084
Abstract: 本发明公开了一种基于图神经网络的预路由时序预测系统，涉及数字集成电路，包括：多个网络节点嵌入模型，用于对输入节点特征进行向前传递和拼接，以获取多维度的输出节点特征；门级节点嵌入模型，用于对所述输入节点特征进行向前传递；将所述门级节点嵌入模型的向前传递输出与输出节点特征进行相加，以获取网络延时；层级信息传播模型，用于对所述输出节点特征进行特征的异步更新，以获取门级延时、到达时间和转换时间。本发明降低了预测系统模型的复杂度，减小了算力的消耗。
-
公开(公告)号：CN118484296A
公开(公告)日：2024-08-13
申请号：CN202410461398.2
申请日：2024-04-17
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于GPU算力感知的启发式图分区方法，涉及图数据处理技术，针对现有技术中各个GPU负载不均衡的问题提出本方案。包括以下步骤：对原图进行边分区处理以得到各个GPU的负载子图，所述边分区处理由邻域扩展和模拟退火结合进行；衡量各个GPU子图的计算量，以确定子图训练顶点的分配；对缺失了一定邻域信息的切割顶点补全一跳邻居；分发各个子图到各个GPU上。优点在于，在子图上尽可能地保留原图的结构特征，从而保证训练精度不会有太多损失；加速分区的时间并避免落入局部最优；各个GPU最终的负载子图上的计算量与自身的算力相匹配，从而对整体的并行训练流程实现了加速效果。
-
公开(公告)号：CN117492984A
公开(公告)日：2024-02-02
申请号：CN202311412727.6
申请日：2023-10-27
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于异构GPU算力感知的子图划分方法、装置及介质，属于图数据处理技术领域。其中方法包括：获取原始图数据G及子图划分目标数量N，根据原始图的节点数和边数，计算整体计算负担；评估每个GPU的算力，结合评估结果设计算力感知的启发式函数，为每个GPU确定目标计算负担；根据每个节点的度数构建加权图Gw；使用图分区算法对加权图Gw完成粗化图的划分，得到子图；根据启发式函数和节点权重，调整不同子图的大小，以完成全部子图的划分。本发明充分考虑不同GPU的算力，来细化调整子图的规模，可以显著提高图计算任务在含有不同算力GPU的集群上的执行效率，以最大化每个GPU的计算潜力。
-
公开(公告)号：CN119884016A
公开(公告)日：2025-04-25
申请号：CN202411835936.6
申请日：2024-12-13
Applicant: 华南理工大学
Abstract: 本发明公开一种基于存内计算技术的新型粗粒度可配置架构，涉及SRAM技术，针对现有技术中依赖片上缓存等四大问题提出本方案。包括分散/聚集模块、管理模块、转换模块以及存内计算宏。存内计算宏用于在管理模块控制下进行运算。其优点在于，相较其他基于冯·诺依曼架构处理引擎的粗粒度可配置架构技术方案，具有面积更小，功耗更低，吞吐量更高的特点。同时针对SRAM存内计算技术的四大挑战提出一个可行的解决方案：利用率方面充分利用存内计算技术在算力密度和能效方法的优势；计算架构方法灵活决定粗粒度可配置架构的片上缓存大小；计算完备性方面满足更多的应用的计算要求；软件生态方面允许被RISC‑V CPU调用，支持编译和加速RISC‑V生态下的应用。
-
公开(公告)号：CN119311414A
公开(公告)日：2025-01-14
申请号：CN202411421334.6
申请日：2024-10-12
Applicant: 华南理工大学
Abstract: 本发明公开基于异构GPU负载均衡的图神经网络分区方法，涉及GNN技术，针对现有技术中没有考虑分区之间的通信影响等问题提出本方案。S1.获取原始图G及分区目标数量N；S2.使用图分区算法进行粗化分区；S3.将每个子图随机预分配给各GPU；S4.对每个GPU进行计算开销建模；S5.对每个GPU进行通信开销建模；S6.根据计算开销和通信开销，设置启发式分区函数和内存约束；S7.根据启发式分区函数和内存约束对粗化分区进行调整；S8.将划分完成的分区子图分配至对应的GPU，执行图计算任务并汇总输出。其优点在于，所划分的子图可以在精度影响很小的情况下，不仅能适配GPU的性能，还尽可能减少通信需求，并防止内存溢出，最终有效减少训练时间、提升训练效率。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.039 seconds)
