這個(gè)問題在 AI 加速器中尤為嚴(yán)重，修復(fù)這個(gè)問題需要一些tradeoff。

據(jù)估計(jì)，一些最先進(jìn)和最復(fù)雜的芯片設(shè)計(jì)中總功耗的 20% 到 40% 被浪費(fèi)了。

glitch功耗并不是一個(gè)新現(xiàn)象。在先進(jìn)節(jié)點(diǎn)上，glitch功耗問題正變得越來越突出，沒有一種解決方案適用于所有芯片或設(shè)計(jì)類型。

在組合電路中，時(shí)鐘控制不同狀態(tài)寄存器的傳播。但是，在柵極或?qū)Ь€中經(jīng)常存在延遲，因此輸入不會同時(shí)到達(dá)柵極。

假設(shè)你有一個(gè) AND 或 OR 門，你所有的信號不會同時(shí)到達(dá)，所以需要有一個(gè)允許范圍內(nèi)的穩(wěn)定時(shí)間窗口。輸入越多，發(fā)生這種情況的概率就越大，浪費(fèi)的glitch功耗就越多。

這種現(xiàn)象也被稱為hazards。hazards是電路中可能產(chǎn)生這種glitch的原因。根據(jù)邏輯的類型，如果存在非常寬的扇入邏輯，或者非常長深度的組合邏輯，那么這些glitch發(fā)生的可能性就更高。glitch是非常高頻率的東西，它們toggle，然后幾乎立即關(guān)閉，這種情況可能在任何地方發(fā)生多次。

AI 加速器中的glitch

對于 AI 加速器來說，這個(gè)問題尤其麻煩，因?yàn)?AI 加速器旨在以最小的功耗實(shí)現(xiàn)最大的性能。

在神經(jīng)網(wǎng)絡(luò)處理硬件中，有很多乘法累加計(jì)算。事實(shí)上，許多神經(jīng)網(wǎng)絡(luò)處理器的評級標(biāo)準(zhǔn)是每秒執(zhí)行數(shù)以百萬計(jì)的MAC，這是性能的衡量標(biāo)準(zhǔn)。但是，如果你看一下硬件乘法器和加法器的傳統(tǒng)設(shè)計(jì)，并且這些類型的電路串聯(lián)在一起，并采用流水線連接。發(fā)生的情況是，即使在單個(gè)時(shí)鐘周期內(nèi)，也發(fā)生了很多這些信號轉(zhuǎn)換。由于不同電路的不同延遲，最終穩(wěn)定下來，得出最終結(jié)果。

由于電路的設(shè)計(jì)方式，這些神經(jīng)網(wǎng)絡(luò)處理器中的乘法器非常容易出現(xiàn)glitch功耗，并且需要多次轉(zhuǎn)換才能穩(wěn)定到最終結(jié)果。

glitch源識別和排序

整體效率
Glitch 也會影響設(shè)計(jì)的整體效率。當(dāng)你切換某些東西時(shí)，它使用來自電壓源的能量，一直到引腳，但也使用存儲在網(wǎng)絡(luò)電容中的能量。因此，如果你像這樣打開和關(guān)閉，你就會不必要地充電和放電這些電容器。

由于 RC 延遲增加，先進(jìn)工藝使情況變得更糟。在先進(jìn)節(jié)點(diǎn)中，晶體管越來越小，延遲開始由RC部分主導(dǎo)。當(dāng)進(jìn)入越來越先進(jìn)的節(jié)點(diǎn)時(shí)，這些小晶體管必須驅(qū)動這些大負(fù)載，信號延遲和變化的機(jī)會就越多。

如果在線路中存在hazards，就會增加發(fā)生glitch的可能性。由于兩個(gè)輸入信號的到達(dá)時(shí)間不同，因此出現(xiàn)了輸出glitch。

很多時(shí)候這個(gè)glitch的傳播實(shí)際上影響更大，對于芯片設(shè)計(jì)師來說，更令人擔(dān)憂的是它的下游影響，因?yàn)檫@種glitch不僅僅停留在那個(gè)信號上。這就是事情變得非常復(fù)雜的地方。很多時(shí)候它可以向下游傳播，因?yàn)榻M合邏輯是多級的。如今，數(shù)據(jù)路徑更深，時(shí)鐘頻率更快。數(shù)據(jù)路徑可以深達(dá) 15 或 20 級，該信號的glitch可以一直傳播，并導(dǎo)致它通過的每個(gè)柵極的功耗浪費(fèi)。

過去，對glitch功耗的擔(dān)憂并不多，因?yàn)樗诳倓討B(tài)功耗中占比不大。但是，我們開始在7nm左右看到的情況，組合邏輯路徑開始變得如此之深，以至于glitch功耗成為一個(gè)大問題。突然之間，在某些設(shè)計(jì)中，它占總動態(tài)功耗的 25% 到 40%。

審核編輯：黃飛