In this article, we present a new, simple, accurate, and fast power estimation technique that can be used to explore the power consumption of digital system designs at an early design stage. We exploit the machine learning techniques to aid the designers in exploring the design space of possible architectural solutions, and more specifically, their dynamic power consumption, which is application-, technology-, frequency-, and data-stimuli dependent. To model the power and the behavior of digital components, we adopt the Artificial Neural Networks (ANNs), while the final target technology is Application Specific Integrated Circuit (ASIC). The main characteristic of the proposed method, called NeuPow, is that it relies on propagating the signals throughout connected ANN models to predict the power consumption of a composite system. Besides a baseline version of the NeuPow methodology that works for a given predefined operating frequency, we also derive an upgraded version that is frequency-aware, where the same operating frequency is taken as additional input by the ANN models. To prove the effectiveness of the proposed methodology, we perform different assessments at different levels. Moreover, technology and scalability studies have been conducted, proving the NeuPow robustness in terms of these design parameters. Results show a very good estimation accuracy with less than 9% of relative error independently from the technology and the size/layers of the design. NeuPow is also delivering a speed-up factor of about 84× with respect to the classical power estimation flow.

中文翻译：

---

新战队

在本文中，我们介绍了一种新的、简单、准确和快速的功耗估计技术，可用于在早期设计阶段探索数字系统设计的功耗。我们利用机器学习技术来帮助设计人员探索可能的架构解决方案的设计空间，更具体地说，是它们的动态功耗，这取决于应用、技术、频率和数据刺激。为了模拟数字组件的功率和行为，我们采用人工神经网络 (ANN)，而最终目标技术是专用集成电路 (ASIC)。所提出的方法（称为 NeuPow）的主要特点是它依赖于在整个连接的 ANN 模型中传播信号来预测复合系统的功耗。除了适用于给定预定义工作频率的 NeuPow 方法的基线版本外，我们还推导出了频率感知的升级版本，其中相同的工作频率作为 ANN 模型的额外输入。为了证明所提出的方法的有效性，我们在不同的层次上进行了不同的评估。此外，已经进行了技术和可扩展性研究，证明了 NeuPow 在这些设计参数方面的稳健性。结果表明，估计精度非常好，相对误差小于 9%，与技术和设计的尺寸/层无关。相对于经典功率估计流程，NeuPow 还提供了大约 84 倍的加速因子。我们还推导出了一个频率感知的升级版本，其中相同的工作频率被用作人工神经网络模型的额外输入。为了证明所提出的方法的有效性，我们在不同的层次上进行了不同的评估。此外，已经进行了技术和可扩展性研究，证明了 NeuPow 在这些设计参数方面的稳健性。结果表明，估计精度非常好，相对误差小于 9%，与技术和设计的尺寸/层无关。相对于经典功率估计流程，NeuPow 还提供了大约 84 倍的加速因子。我们还推导出了一个频率感知的升级版本，其中相同的工作频率被用作人工神经网络模型的额外输入。为了证明所提出的方法的有效性，我们在不同的层次上进行了不同的评估。此外，已经进行了技术和可扩展性研究，证明了 NeuPow 在这些设计参数方面的稳健性。结果表明，估计精度非常好，相对误差小于 9%，与技术和设计的尺寸/层无关。相对于经典功率估计流程，NeuPow 还提供了大约 84 倍的加速因子。我们在不同的层面进行不同的评估。此外，已经进行了技术和可扩展性研究，证明了 NeuPow 在这些设计参数方面的稳健性。结果表明，估计精度非常好，相对误差小于 9%，与技术和设计的尺寸/层无关。相对于经典功率估计流程，NeuPow 还提供了大约 84 倍的加速因子。我们在不同的层面进行不同的评估。此外，已经进行了技术和可扩展性研究，证明了 NeuPow 在这些设计参数方面的稳健性。结果表明，估计精度非常好，相对误差小于 9%，与技术和设计的尺寸/层无关。相对于经典功率估计流程，NeuPow 还提供了大约 84 倍的加速因子。