Neural network modeling of a customizable OPENCL stereo matching for a multi-cluster, industrial architecture

In recent years, application-specific multiprocessor systems-on-chip (MPSoCs) have become more complex. Generally, these architectures are designed by using a platform-based approach. Finding the best trade-off in terms of the selected figures of merit (such as energy, delay, and area) can be achieved by tuning a wide range of customizable parameters. This optimization phase is called Design Space Exploration (DSE), and it usually consists of a multi objective optimization problem with multiple constraints. So far, several heuristic techniques have been proposed to address the DSE problem for MPSoC, but they were not efficient enough in order to identify the Pareto front of feasible solutions in a reasonable amount of time and manage the application-specific constraints. The methodology proposed in this dissertation is an efficient DSE method for application-specific MPSoC. This methodology combines the design of experiments (DoEs) and response surface modeling (RSM) techniques for managing system-level constraints. The main target is to find the optimal parameterized configurations of either architectures and/or applications by using the minimum number of simulations. First, the DoE phase generates an initial plan of experiments used to create a coarse grain view of the target design space to be explored by simulations. Then, Artificial Neural Network (ANN) is used to refine the simulation-based exploration. The RSM-based techniques provide an analytical representation of the configurations. ANNs tackle the problem of DSE by reducing the time required to evaluate a system configuration. To trade-off the efficiency in terms of time and accuracy of the proposed technique, a set of experimental results for the customization of a multi-cluster application has been reported in this dissertation.

Negli ultimi anni, i sistemi multi-processore on-chip sono diventati sempre più complessi. In generale queste architetture sono progettate usando un approccio basato su piattaforma, ove si raggiunge un trade-off ottimale in termini di energia, ritardo e area, modificando un largo insieme di parametri. Questa fase di ottimizzazione è chiamata Design Space Exploration e tipicamente consiste nella risoluzione di un problema multi-obiettivo con più vincoli. Fino ad ora sono state proposte diverse euristiche per indirizzare il problema della DSE per i sistemi multi-processore; tali euristiche pero' non sono state efficienti abbastanza per identificare i fronti di Pareto del problema in tempo ragionevole e rispettando i vincoli specifici dell'applicazione. La metodologia proposta in questa tesi consente di effettuare la Design Space Exploration in maniera efficiente. La metodologia combina la progettazione degli esperimenti (DoE) e la modellazione basata su superfici di risposta per gestire l'ottimizzazione a livello di sistema. L'obiettivo principale è quello di trovare configurazioni ottimali sia architetturali che applicative con un basso numero di simulazioni. La metodologia utilizza dapprima una progettazione degli esperimenti per ottenere una vista a grana grossa dello spazio di esplorazione. In seguito, le reti neurali sono utilizzate per raffinare l'esplorazione basata su simulazioni. Le tecniche basate su superfici di risposta come le reti neurali offrono una rappresentazione analitica delle configurazioni e permettono di indirizzare il problema della Design Space Exploration riducendo tempo dedicato a valutare le varie configurazioni. Per analizzare la tecnica proposta sia in termini di tempo che di accuratezza, vengono riportati in questa tesi un insieme di risultati sperimentali ottenuti con un'applicazione multi-cluster.