Recent trend in microprocessors gave rise to needs for a dense thermal/power management. However, due to the highly limited area budget of silicon, the development of dense sensing techniques has been faced with difficulties. This motivated us to aim for a radical change in sensing methodology. In this thesis, we propose a set of techniques for an area-efficient dense thermal/power map acquisition. By regarding the thermal/power map as spatial information, i.e. image, we have successfully introduced image processing and computer vision techniques into thermal map sensing field. First, we propose a new temperature-to-power technique, named PowerField, supporting both transient and steady-state analysis based on a probabilistic approach. Unlike the previous works, PowerField uses two consecutive thermal images to find the most feasible power distribution that causes the change between the two input images. To obtain the power map with the highest probability, we adopted Maximum-a-posteriori Markov random field (MAP-MRF). For MAP-MRF framework, we modeled the spatial thermal system as a set of thermal nodes and derived an approximated transient heat transfer equation which requires only the local information of each thermal node. Experimental results with a thermal simulator show that PowerField outperforms the previous method in transient analysis reducing the error by half on average. We also show that our framework works well for steady-state analysis by using two identical steady-state thermal maps as inputs. Experimental results determining the binary power patterns of an FPGA device is presented achieving 90.7% average accuracy. The second half of this research presents an area-efficient thermal sensing technique: hybrid temperature sensor network. The proposed sensor architecture fully exploits the spatial low-pass filtering effect of thermal system, which implies that most of the thermal information resides in very low spatial frequency region. Our on-chip sensor network consists of a small number of accurate thermal sensors and a large number of tiny relative thermal sensors, responsible for low and high spatial frequency thermal information respectively. By combining these sensor readouts, a thermal map upsampler synthesizes a higher spatial resolution thermal map with a proposed guided upsampling algorithm. The implemented proof-of-concept silicon achieves 57% reduction in effective circuit area compared to the previous state-of-the-art and an average error of 0.2℃ at 30~50℃ range.
공정 기술이 발전하고 core의 수가 증가함에 따라 microprocessor의 전력 밀도가 증가하고 있습니다. 이에 따라 자연스럽게 온도 문제가 microprocessor의 성능 향상을 가로막는 주 요인이 되었고 이러한 현상은 앞으로도 계속 될 것으로 전망됩니다. 특히 mobile device나 3D-IC와 같이 열을 효과적으로 방출시키기 어려운 환경에서는 온도 문제가 더욱 심각해 집니다. 따라서 이러한 온도 문제를 효과적으로 해결할 수 있는 방법을 찾기 위해 dynamic thermal management (DTM)이라는 분야가 활발히 연구되고 있습니다. 하지만 DTM 기법은 기본적으로 온도/전력에 관한 정보를 기반으로 동작하기 때문에 효과적인 온도 제어를 위해서는 sensor에 대한 연구가 선행되어야 합니다. 특히 DTM에서 요구하는 온도/전력의 공간적 분포 정보를 측정하는 기법에 관한 연구는 아직 많이 진행되어 있지 않습니다. 따라서 본 연구는 microprocessor의 효과적인 온도 관리를 위한 미래 지향적 전력/온도 분포 측정 기법들을 제안하는 것을 목표로 합니다.
온도/전력의 공간적 분포 정보를 측정하는데 있어서 가장 문제가 되는 것은 sensor의 면적입니다. 한 점이 아닌 다양한 지점을 sensing하기 위해서는 다수의 sensor를 사용해야 하는데, 이 때 회로의 면적이 설계상 큰 비용으로 작용합니다. 따라서 매우 작은 sensor가 요구되는데, 현재까지 학계에 보고되고 있는 온도/전력 sensor의 크기는 20,000μm2 수준이기 때문에 많은 수의 sensor를 배치하기 어렵습니다. 이렇게 sensor의 면적이 큰 이유는 충분한 측정 범위와 정확도를 제공하기 위해 필요한 delay-line, bandgap voltage reference, ADC와 같은 핵심 회로의 면적을 줄이는데 한계가 있기 때문입니다. 따라서 다양한 지점의 온도/전력을 측정하기 위해서는 다른 접근 방식이 필요하다는 결론에 도달했습니다.
본 연구에서 제안하는 전력 분포 측정 기법은 전류를 직접 측정하는 대신, 온도 분포 정보로부터 역으로 전력 분포를 추론해 내는 방식으로 동작합니다. (온도 분포 정보가 주어져 있다는 가정을 하였습니다.) 온도 정보만 있으면 전력을 계산할 수 있기 때문에 회로로 인한 부가적인 설계 비용이 작다는 장점이 있습니다. 이는 온도와 전력(발열)의 관계가 열역학적으로 명확하게 정의되기 때문에 가능합니다. 즉, 전력 분포 측정 문제를 주어진 온도 분포를 만들어 낼 확률이 가장 높은 전력 분포를 추론해 내는 문제로 바꾸어서 풀게 됩니다. 이 문제를 풀기 위해 Maximum-a-Posteriori(MAP) estimation framework을 적용하였습니다. MAP estimation을 위해서 확률 분포에 관한 model이 필요한데, 이 때 chip의 공간적인 온도 분포의 형태가 매우 완만하다는 관측 결과를 이용하였습니다. Chip을 열역학적으로 분석해 보면 thermal resistance와 thermal capacitance로 이루어진 mesh 형태의 lumped circuit network으로 모사할 수 있고, 이들이 가지는 spatial low-pass filter 효과로 인해 급격한 온도변화가 나타나지 않게 됩니다. 이는 한 지점의 온도가 인접한 영역의 온도 분포와 큰 상관관계를 가지는, 즉 Markovianity 성질을 만족한다고 할 수 있습니다. 이러한 가정에 입각하여 온도 분포를 Markov Random Field(MRF)로 model하였고, 대표적인 MAP-MRF solver인 Graphcuts algorithm을 이용하여 성공적으로 온도 분포 정보로 부터 전력 분포 정보를 추론해 낼 수 있었습니다. 검증은 simulation과 실제 FPGA를 이용하여 이루어졌으며, 실제 전력 분포와 온도 분포 정보만을 가지고 예측한 전력 분포 간의 차이를 비교한 결과 simulation의 경우 93.4%, FPGA의 경우 90.7%의 rounded accuracy를 얻을 수 있었습니다.
온도 분포 측정 기술은 미래의 microprocessor의 열 문제 해결을 위해 필수적인 기술임과 동시에 제안된 전력 분포 추론 algorithm이 동작할 수 있는 전제 조건이기도 합니다. Sensor의 면적이라는 제약때문에 최신 microprocessor에서 조차 온도를 측정하는 지점이 20개 수준에 머무르고 있습니다. 더 많은 지점의 온도를 더 적은 면적의 sensor로 측정하기 위해서 온도 센서를 단순하게 여러개를 집적하는 대신 역할이 다른 두 종류의 sensor를 조합하여 측정하는 방법을 제안하고자 합니다. 이 또한 앞서 설명드린 온도 분포의 spatial low-pass filter 효과로 인해 microprocessor의 온도 분포가 공간적으로 부드러운 양상을 보인다는 관측에서 착안하였습니다. 대부분의 온도 정보가 공간적 저주파 영역에 모여있기 때문에 정확한 온도센서 몇개만으로도 많은 부분의 정보를 얻을 수 있으며 나머지 고주파 영역의 정보는 이에 특화된 sensing 방법을 사용하여 기존의 방식 대비 회로가 차지하는 면적을 크게 줄이면서도 정확도를 확보할 수 있었습니다.
