В.А. Соловьёв1, Э.И. Азимов2, М.Н. Юлдашев3

1–3 МГТУ им. Н.Э. Баумана (Москва, Россия)

Постановка проблемы. Рассмотрена проблема оптимизации, связанная с чрезмерным тепловыделением ядер современных микропроцессоров. Потребление энергии является одной из ключевых в современных вычислениях. Способность разрабатывать энергоэффективные микропроцессоры имеет решающее значение, поскольку использование данных и их обработка постоянно расширяются во всех сферах жизни общества. Необходимость в энергоэффективных и быстрых вычислениях обусловлена растущим спросом высокоскоростной обработки в исследовательских, производственных, экономических задачах с применением технического анализа, моделирования, обработки больших данных, в системах искусственного интеллекта, высокоточной медицине.

Цель. Сделать обзор флагманских микропроцессоров последних поколений, выпускаемых передовыми компаниями, такими как Intel Alder Lake, AMD Ryzen 9 5950X для персональных компьютеров, Qualcomm Snapdragon 888, AppleA15 Bionic для мобильных систем, и проанализировать их основные характеристики.

Результаты. Определены основные классические и инновационные направления развития современных микропроцессоров. Подробно рассмотрены архитектура, основные функции и технологии микропроцессоров, позволяющие улучшить производительность и энергопотребление. Предложены несколько методов повышения производительности и энергоэффективности микропроцессоров с архитектурами CISC (x86) и RISC (ARM), таких как улучшение технологического процесса, архитектуры, применения сопроцессоров и программных технологий.

Практическая значимость. Совершенствование этих методов предлагает возможный путь к дальнейшему увеличению эффективности вычислений (например, более эффективное использование параллельных операций, создание новых алгоритмов планирования). Технологические и физические барьеры, как правило, накладывают ограничения на то, насколько быстро АЛУ могут обрабатывать данные в микропроцессоре с использованием классических технологий. Предложенные методы и рекомендации призваны помочь разработчикам преодолеть эти барьеры.

Соловьёв В.А, Азимов Э.И, Юлдашев М.Н. Современные технологии увеличения вычислительной мощности микропроцессоров // Нейрокомпьютеры: разработка, применение. 2022. T. 24. № 1. С. 53-64. DOI: https://doi.org/10.18127/j19998554-202201-05

1. Rupp K. 48 Years of Microprocessor Trend Data [Электронный ресурс] – Режим доступа: https://github.com/karlrupp/ microprocessor-trend-data
2. Alahmad M., Abd El-Aleem F. Heat Transfer Challenges in Semiconductors Processing and the Applications of Heat Pipes for Efficient Heat Removal // Journal of King Saud University – Engineering Sciences. 2003. V. 15. Iss. 1. P. 141–154. DOI: 10.1016/S1018-3639(18)30767-0
3. Krajewski M. Hands-On High Performance Programming with Qt 5 // Pact. 2019.
4. Таненбаум Э., Остин Т. Архитектура компьютера. Изд 6-е. СПБ.: Питер. 2013. 816 с.
5. Reinders J., Jeffers J. High Performance Parallelism Pearls. 2016.
6. Presentation of "Zen 3" Microarchitecture Details [Электронный ресурс] – Режим доступа: https://www.slideshare.net/AMD/ amd-where-gaming-begins-239086719
7. Intel Architecture Day 2021 Presentation [Электронный ресурс] – Режим доступа: https://download.intel.com/newsroom/ 2021/client-computing/intel-architecture-day-2021-presentation.pdf
8. Charles J., Jassi P., Ananth N.S., Sadat A., Fedorova A. Evaluation of the Intel® Core™ i7 Turbo Boost feature // 2009 IEEE International Symposium on Workload Characterization (IISWC). 2009. P. 188–197. DOI: 10.1109/IISWC.2009.5306782
9. Saini S., Jin H., Hood R.T., Barker D., Mehrotra P., Biswas R. The impact of hyper-threading on processor resource utilization in production applications // 18th International Conference on High Performance Computing. 2011. P. 1–10.
10. Wolf D.F., Romero R.A.F., Marques E. Using embedded processors in hardware models of artificial neural networks. 2001.
11. Гладких А.А., Комахин М.О., Симаньков А.В., Узеньков Д.А. Использование рекуррентных нейронных сетей для вероятностной классификации архитектуры микропроцессора исполняемых файлов // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 1. С. 43–49.
12. Crupi G., Schreurs D., Raskin J.-P., Caddemi A. A comprehensive review on microwave FinFET modeling for progressing beyond the state of art // Solid State Electronics. 2013. V. 80. P. 81–95. DOI: 10.1016/j.sse.2012.10.015
13. Parkale Y.V., Deokate B.H., Divekar S.N., Kadbe P.K. ARMCortex-M3: An improvement overview. 2011.
14. Гладких А.А., Власов А.И., Узеньков Д.А., Фатхутдинов Т.М. Динамическая модификация внутреннего программного обеспечения встраиваемых устройств для решения задач обратной разработки // Проблемы разработки перспективных микро- и наноэлектронных систем (МЭС). 2021. № 2. С. 63–69.
15. Шахнов В.А., Власов А.И., Поляков Ю.А., Кузнецов А.С. Нейрокомпьютеры: архитектура и схемотехника. М.: Машиностроение. 2000. 64 с.
16. Власов А.И. Аппаратная реализация нейровычислительных управляющих систем // Приборы и системы. Управление, контроль, диагностика. 1999. № 2. С. 61–65.
17. Свидетельство о регистрации программы для ЭВМ RU № 2018614711. Экспертная система по классификации дефектов топологии кристаллов интегральных микросхем / А.Ю. Вирясова, А.И. Власов, А.А. Гладких, Е.В. Резчикова.
18. Аристов Р.С., Власов А.И., Вирясова А.Ю., Гладких А.А., Макарчук В.В. Исследование различных моделей сверточных нейронных сетей для классификации изображений дефектов топологического рисунка СБИС // Наноиндустрия. 2018.№ S (82). С. 392–398.
19. Амирханов А.В., Аристов Р.С., Власов А.И., Гладких А.А., Захарченко А., Макарчук В.В. Использование современных моделей искусственных нейронных сетей для анализа дефектов при изготовлении субмикронных СБИС // Наноиндустрия. 2017. № S (74). С. 395–406.
20. Snapdragon 888 – Opening Presentation [Электронный ресурс] – Режим доступа: https://www.qualcomm.com/media/ documents/files/snapdragon-888-opening-presentation.pdf