【摘 要】
:
浮点乘加部件是现代高性能微处理器中的核心运算部件之一,对微处理器浮点运算性能的提升起着至关重要的作用。针对高性能浮点乘加部件所进行的优化设计研究具有广泛的实用价值
【出 处】
:
中国科学院研究生院 中国科学院大学
论文部分内容阅读
浮点乘加部件是现代高性能微处理器中的核心运算部件之一,对微处理器浮点运算性能的提升起着至关重要的作用。针对高性能浮点乘加部件所进行的优化设计研究具有广泛的实用价值和重要的现实意义。
本文基于龙芯64位高性能通用微处理器平台,对其中关键的浮点乘加部件进行物理设计方面的优化。主要包括以下三方面内容:
首先,基于对当前浮点乘加部件物理优化设计研究现状从电路设计和电路综合策略两方面进行的调研,结合龙芯微处理器中浮点乘加部件整体设计结构的概要介绍,对龙芯微处理器浮点乘加部件的整体以及各个流水级的关键部件进行详细的物理设计评估;
其次,从电路设计角度出发,基于全定制电路设计方式实现了两种新型的布斯编码和布斯选择单元,进一步利用两种全定制单元共同完成对浮点乘加部件中部分积阵列生成部件的物理优化设计;
最后,从电路综合策略角度出发,提出了改进的华莱士压缩树时序优化构建算法以及华莱士压缩树功耗优化构建算法,分别从时序和功耗两方面对浮点乘加部件中部分积阵列压缩部件进行物理优化设计。
其他文献
随着工程应用的范围和复杂度日益增大,人们对可视化的要求也越来越高,无论是电力系统、热力系统还是工作流管理系统,都习惯使用模型图来表示系统的组成结构或特定的工作流程
秘密共享是信息安全的重要组成部分,在重要信息和秘密数据的安全保存、传输及合法利用中起到了至关重要的作用。动态多秘密共享实现了参与者集合动态变化,完成了对多个秘密的
在各种图像分析和处理过程中,人们感兴趣的区域通常不是图片的所有内容,而是只是图像的一部分,因此,有大量研究者关注于人类视觉注意机制,并提出了一些计算模型,例如,Laurent
基于递归神经网络(RNN)的语言模型已经在很多语言生成的任务中取得了非常杰出的成果,然而模型主要关注的是如何减少字符层面的误差,却因此导致了对句子整体的忽视。一个行之有
随着多媒体信息处理技术的发展,图像数据呈快速增长趋势,为了有效管理和组织图像,基于内容的图像检索(CBIR)方法逐渐被人们所重视并成为快速检索图像数据库的核心研究领域。
近年来,数据收集与处理技术导致了大量的数据不一致和丢失,这样的数据通常是以不确定的形式出现。不确定数据的出现对传统的数据挖掘技术提出了新的挑战。作为数据挖掘的一项
随着存储技术的不断发展,传统的直连式存储模式逐渐被网络存储所替代。然而在网络存储环境下,传统的缓存系统并不能很好地满足网络存储提出的新需求:
1)有效支持多应用共享
多目标问题出现在许多工程领域。由于多目标问题的复杂性,很难找到精确的解,因此利用遗传算法解多目标问题的研究应运而生。它们以种群为基础,通过特定方法在决策空间中探索,
高性能计算机在征服每秒千万亿次计算能力的过程中,成功地提高了单个节点的性能和互连网络的规模,但同时也引入了许多新的问题。多核处理器和GPU等加速部件在增加了节点性能的
由于缺乏有效的激励手段,传统的P2P (Peer-to-Peer)网络普遍存在着搭便车现象以及“公共物品的悲剧”等问题,严重影响了网络的健壮性及可用性。因此,如何构建和设计合理的激