Authors:

Autores

Person role Person
7370
131,1848,3206
7369
131,1848,3206
7368
131,1848,3206

Informations:

Pesc publication

Title
A Conditional Branch Predictor Based on Weightless Neural Networks
Research area
Computer Architecture and Operating Systems
Publication type
Master's thesis
Identification Number
Date
9/5/2023
Resumo

A previsão de desvio condicional permite a busca especulativa e a execução de instruções antes de saber a direção de instruções condicionais. Como em outras áreas, as técnicas de aprendizado de máquina são uma abordagem promissora para a construção de preditores de desvio, como por exemplo, o preditor Perceptron. No entanto, essas soluções tradicionais exigem grandes tamanhos de entrada, o que impõe uma considerável sobrecarga de área. Esta dissertação propõe um preditor de desvio condicional baseado no modelo de rede neural sem peso WiSARD (Wilkie, Stoneham e Aleksander's Recognition Device). O preditor baseado em WiSARD implementa one-shot online training projetado para abordar a previsão de desvio como um problema de classificação binária. Este trabalho compara o preditor baseado em WiSARD com dois preditores do estado da arte: TAGE-SC-L (TAgged GEometric - Statistical Corrector - Loop) e o Multiperspective Perceptron. A avaliação experimental mostra que o preditor proposto, com um tamanho de entrada menor, supera o preditor baseado em perceptron em cerca de 0,09% e atinge precisão semelhante à do TAGE-SC-L. Além disso, foi realizada uma análise de sensibilidade experimental para encontrar o melhor preditor para cada conjunto de dados e, com base nesses resultados, projetaram-se novos preditores especializados usando uma composição de parâmetros específica para cada conjunto de dados. Os resultados mostram que o preditor especializado baseado em WiSARD supera o estado da arte em mais de 2,3% no melhor caso. Ademais, por meio da implementação de classificadores de preditores especializados, descobriu-se que utilizar 90% do preditor especializado para um conjunto de dados específico rendeu desempenho comparável ao preditor especializado correspondente.

Abstract

Conditional branch prediction allows the speculative fetching and execution of instructions before knowing the direction of conditional statements. As in other areas, machine learning techniques are a promising approach to building branch predictors, e.g., the Perceptron predictor. However, those traditional solutions demand large input sizes, which impose a considerable area overhead. This dissertation proposes a conditional branch predictor based on the WiSARD (Wilkie, Stoneham, and Aleksander’s Recognition Device) weightless neural network model. The WiSARD-based predictor implements one-shot online training designed to address branch prediction as a binary classification problem. This work compares the WiSARD-based predictor with two state-of-the-art predictors: TAGE-SC-L (TAgged GEometric - Statistical Corrector - Loop) and the Multiperspective Perceptron. The experimental evaluation shows that the proposed predictor, with a smaller input size, outperforms the perceptron-based predictor by about 0.09% and achieves similar accuracy to that of TAGE-SC-L. In addition, an experimental sensitivity analysis was performed to find the best predictor for each dataset, and based on these results, we designed new specialized predictors using a particular parameter composition for each dataset. The results show that the specialized WiSARD-based predictor outperforms the state-of-the-art by more than 2.3% in the best case. Furthermore, through the implementation of specialized predictor classifiers, we discovered that utilizing 90% of the specialized predictor for a specific dataset yielded comparable performance to the corresponding specialized predictor.

JSN_TPLFW_GOTO_TOP