手机过热有解 台湾研发技术增强芯片散热性能

手机过热恼人。为了解决多核心晶片运行的温度挑战，台湾阳明交通大学电子所副教授陈坤志带领的研究团队开发出创新的晶片内网路温度预测及温控技术，此技术能显着增强多核心晶片的散热性能。

台湾阳明交通大学发布新闻稿指出，多核心芯片近年广泛应用在个人电脑、手机、服务器等设备。随着处理器核心数量的增加，多核心芯片内连线的挑战也逐渐提高，使得芯片内网路（Network on Chip, NoC）连线结构成为热门的技术议题。同时，随着运算核心的时脉频率提高，造成多核心芯片上的功率密度增加，带来严重的温度挑战，大大影响芯片的运作效能及可靠度。

台湾阳明交通大学电子所副教授陈坤志带领Ceres Lab研究团队，由硕士生廖元豪、陈政廷、王蕾期共同提出低成本线上学习机制进行芯片内网路系统的准确温度预测，并透过可适性强化式学习（adaptive reinforcement learning）技术进行动态的主动式温度管理，改善多核心晶片（multi-core chip）的温度挑战，大幅提升系统温度管理效能。这项创新的研究成果获选2024 IEEE TVLSI最佳论文奖，为台湾首度获此殊荣。

研究团队解释，NoC系统的热问题必须在运行时监控系统温度。当系统温度达到危险水平时，动态热管理机制将被触发，以防止系统过热。动态的主动式温度管理（PDTM）会根据温度预测讯息提前控制系统温度，透过部分节流方案，在温度控制期间减少性能影响，相较于传统的反应式动态热管理更为有效。

而NoC系统的温度行为因各种工作负载分布而异，增加了运行时准确捕捉电容、电阻、功率等物理参数值的难度，导致较大的温度预测误差。近年机器学习的预测方法能够动态满足物理系统行为的超平面。然而，机器学习方法高度依赖训练数据的品质，因此在NoC系统中仍存在较大的误差。

陈坤志表示，研究团队所提出的这项基于机器学习的主动式温度管理，采用最小均方可适性滤波理论优化模型，动态调整温度预测，提高预测准确性，以应对不同工作负载和温度变化。并引入自适应强化学习方法，透过即时反馈当前温度、预测温度和系统吞吐量动态调整节流比例，达到最佳的热管理效果，同时最大化保证系统性能。研究结果显示，相较于传统方法，研究提出的自适应强化学习方法显着减少温度预测误差同时提升系统性能。

这项创新研究成果不仅获选今年IEEE TVLSI最佳论文奖，也创下30年来台湾首度有团队获此殊荣。这不仅是对实验室研究团队给予最大肯定，也显示学校的卓越研究贡献与前瞻技术研发能量。

责任编辑：叶紫微#