(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111334005.4 (22)申请日 2021.11.11 (71)申请人 中山大学 地址 510275 广东省广州市海珠区新港西 路135号 (72)发明人 黄以华　陈清坤　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 代理人 禹小明 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/02(2020.01) G06F 111/08(2020.01) (54)发明名称 一种应用于片上网络IP核映射问题的建模 方法 (57)摘要 本发明公开了一种应用于片上网络IP核映 射问题的建模方法， 所述的方法包括步骤如下： S1： 将IP核映射问题转换为关于IP核和NoC网络 节点的一一匹配问题； S2： 利用概率模型来建模 该匹配问题， 所述的概率模型用于描述每一种匹 配为最佳匹配的概率； S3： 利用神经网络来实现 所述的概率模 型， 并利用强化学习方法来训练概 率模型的参数， 从而得到IP核映射问题的概率模 型。 本发明所述的建模方法充分利用给定的IP 核 图和NoC拓扑图信息， 因此相比现有IP核问题建 模方法有更 快的训练收敛速度和更优的性能。 权利要求书2页 说明书6页 附图2页 CN 113987957 A 2022.01.28 CN 113987957 A 1.一种应用于片上网络IP核 映射问题的建模方法， 其特征在于： 所述的方法包括步骤 如下： S1： 将IP核映射问题转换为关于IP核和N oC网络节点的一 一匹配问题； S2： 利用概率模型来建模该匹配问题， 所述的概率模型用于描述每一种匹配为最佳匹 配的概率； S3： 利用神经网络来实现所述的概率模型， 并利用强化学习方法来训练概率模型的参 数， 从而得到IP核映射问题的概 率模型。 2.根据权利要求1所述的应用于片上网络IP核映射问题的建模方法， 其特征在于： 步骤 S2， 具体地， n个IP核标记为IP核序列sc， n个NoC网络节点 标记为NoC节点序列sr， 匹配关系标 记为映射结果m； 从输入sc和sr到输出m的映射标记为 概率P(m|sc， sr)， 其中， n是问题规模； IP核序列 表示IPci与其他IP核的通信量； NoC 节点序列 表示NoC网络节点ri与其他节点的传输一 比特所需要的功耗； 映射结果 mi表示将IP核 放置在NoC拓扑节点ri。 3.根据权利要求2所述的应用于片上网络IP核映射问题的建模方法， 其特征在于： 为了 简化计算， 概 率P(m|sc， sr)通过链式规则分解 为： 其中， 映射结果 p(mj|m1， ...， mj‑1， sc， sr)表示NoC拓扑图节点ri和IP核 为最佳匹配的概 率， j＝1， . ..， n。 4.根据权利要求3所述的应用于片上网络IP核映射问题的建模方法， 其特征在于： 所述 的概率模型包括图神经网络和注 意力机制构成的MA N网络； 所述的图神经网络用于预 处理， 所述的注意力机制用于概 率计算。 5.根据权利要求4所述的应用于片上网络IP核映射问题的建模方法， 其特征在于： 所述 的预处理具体如下： 利用两个图神经网络分别对IP核序列sc和NoC节点序列sr进行预处理， 分别得到IP嵌入核序列 和NoC节点嵌入向量序列 接着， IP核 图嵌入向量ec ， g通过 得到； 类似的， NoC拓扑图嵌入向量er ， g通过 得到， 其中p为嵌入向量的维度。 6.根据权利要求5所述的应用于片上网络IP核映射问题的建模方法， 其特征在于： 所述 的概率计算利用注意力机制来估计概率P(m|sc， sr)， 具体来说， 先通过公式eq， i＝θ1[ec， g， er， g， er， i]计算每个NoC节点ri的特殊的节点嵌入向量eq， i， 其中 以及 [·，·，·]表示合并操作； 接着先后经 过一个多头注意层和一个单头注意力层处 理。 7.根据权利要求6所述的应用于片上网络IP核映射问题的建模方法， 其特征在于： 采用 多头注意层进行处理如下： 利用多头注意力层得到每个NoC节点的rj的query向量q ′j， 具体 计算如下： 权　利　要　求　书 1/2 页 2 CN 113987957 A 2其中， 为query向量； 为key向量； 为value向量； 参数 和 均表示可 学习的神经网络参数； M 为多头注意力层的head数。 8.根据权利要求7所述的应用于片上网络IP核映射问题的建模方法， 其特征在于： 所述 的单头注意力机制处理如下： 利用单头注意力机制计 算NoC拓扑节点rj与任意一个 IP核ci交 互的概率： k′i＝W′kec， i 其中， 概率p(mj|m1， ...， mj‑1， sc， sr)用注意力权 重 来表示； 则概率P(m|sc， sr， θ )表示为 9.根据权利要求8所述的应用于片上网络IP核映射问题的建模方法， 其特征在于： 采用 强化学习的方法来训练模型的参数， 具体来说， 将损失函数定义为负通信功耗的均值 其中L(m， sc， sr)表示计算负通信功耗； 根据REINFORCE算法和蒙特卡洛采样， 损失函数的梯度 表示为如下公式： 式中， θ为基于神经网络的概率模型的可学习参数， b()表示基线函数， L()表示计算负 通信功耗接着； 采用Adam方法来迭代更新模型的参数。 10.一种计算机设备， 包括存储器、 处理器以及存储在存储器上并可在处理器上运行的 计算机程序， 其特征在于： 所述的处理器执行所述的计算机程序时， 实现如权利要求 1～9任 一项所述的方法的步骤。权　利　要　求　书 2/2 页 3 CN 113987957 A 3