买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉广东工业大学申请的专利一种基于深度学习的微架构设计空间探索方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119990013B 。

龙图腾网通过国家知识产权局官网在2025-12-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510079982.6，技术领域涉及：G06F30/337；该发明授权一种基于深度学习的微架构设计空间探索方法是由陈成斌;李尤;李嘉其;郑欣设计研发完成，并于2025-01-19向国家知识产权局提交的专利申请。

本一种基于深度学习的微架构设计空间探索方法在说明书摘要公布了：本发明公开了一种基于深度学习的微架构设计空间探索方法，包括：获取目标处理器微架构参数，构成设计空间，获取设计空间中不同设计点的性能指标，基于设计点划分关键模块；根据关键模块创建有向无环子图，利用图注意力网络构建预测模型获取有向无环子图中满足设计目标的参数最优解；将有向无环子图拼接为全局图获取关键模块的互连参数，引入联邦学习训练全局预测模型，基于全局图预测评估参数最优解的性能数据；当性能评估结果满足预设性能标准时，则输出所述目标处理器在各配置维度下的目标配置参数。本发明在图嵌入空间中进行微架构设计空间探索，为芯片设计提供决策支持，并采取不同设计阶段和设计模式相协同的思想提高设计效率及灵活度。

本发明授权一种基于深度学习的微架构设计空间探索方法在权利要求书中公布了：1.一种基于深度学习的微架构设计空间探索方法，其特征在于，包括以下步骤： 获取目标处理器微架构参数，根据所述微架构参数组合构成设计空间，获取设计空间中不同设计点的性能指标，将设计点进行聚类获取关键模块划分结果； 根据关键模块中的设计点及对应性能指标创建有向无环子图，通过图表示学习获取设计点的嵌入表征，利用图注意力网络构建预测模型获取有向无环子图中满足设计目标的参数最优解； 将各有向无环子图拼接为全局图获取关键模块之间的互连参数，引入联邦学习算法初始化全局预测模型，利用所述全局预测模型基于全局图预测微架构参数最优解集； 当性能评估结果满足预设性能标准时，则输出所述目标处理器在各配置维度下的目标配置参数； 根据关键模块中的设计点及对应性能指标创建有向无环子图，通过图表示学习获取设计点的嵌入表征，具体为： 在关键模块中根据带性能指标标签的设计点生成节点集，根据设计点之间的操作关联生成边结构集，基于所述节点集及边结构集创建关键模块对应的有向无环子图； 在所述有向无环子图中根据预设的帕累托等级算法计算各个节点的初始权重，利用元路径嵌入对有向无环子图中设计点节点进行预训练嵌入，获取各个设计点节点的元路径； 在所述元路径中运用图注意力机制获取每个元路径邻居对于设计点节点的重要程度，基于所述重要程度获取元路径邻居的权重，基于所述初始权重结合所述权重对所述元路径邻居进行加权平均，获取设计点节点在图注意力聚合邻居特征后的输出，生成设计点的嵌入表征； 利用图注意力网络构建预测模型获取有向无环子图中满足设计目标的参数最优解，具体为： 利用设计目标读取对应负载，通过模拟器运行所述负载对各关键模块中的设计点进行模拟，输出各设计点在负载下的性能指标评估值，根据所述性能指标评估值构建训练集； 在图注意力网络中引入全局遗憾思想，构建预测模型，利用所述训练集进行训练，根据所述训练集及关键模块的有向无环子图获取设计点的嵌入表征； 根据所述嵌入表征读取各个设计点对应各条边的权重，将所述权重转换为全局遗憾,采用贪心策略搜索初始的最优路径，再结合2-Opt启发式算法对初始的最优路径进行迭代优化，获取各设计点满足设计目标的参数最优解。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人广东工业大学，其通讯地址为：510062 广东省广州市东风东路729号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。