메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
저널정보
대한전자공학회 전자공학회논문지-CI 전자공학회논문지 CI편 제42권 제1호
발행연도
2005.1
수록면
9 - 26 (18page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
파이프라인과 슈퍼스칼라 방식 그리고 동적 스케줄링 기법이 일반화된 시스템 구조 하에서, 분기 명령어에 대한 분기 예측 정확도는 프로세서 입장에서 뿐만 아니라 시스템 전체적인 성능에 있어서 큰 영향을 미친다. 이는 분기 예측이 실패했을 경우 잘못된 분기 예측으로 인한 페널티가 발생하기 때문이며, 이려한 패널티는 파이프라인의 깊이가 깊어지고 더욱 많은 수의 명령어가 통시에 실행되는 환경일수록 더 큰 값을 가진다. 본 논문에서는 분기 예측의 정확도를 높이기 위해서, 분기 예측과 관련된 신경망을 구축하여 이를 통해 분기 예측에 필요한 각 요소별 가중치의 경향을 분석한다. 그 결과, 높은 가중치를 가지는 구성 요소를 기존의 분기 예측 기법에 추가시킨 새로운 형태의 분기 예측 기법을 제안한다. 제안된 새로운 기법은 설행 구동 방식의 시뮬레이터인 SimpleScalar 를 통하여 모의실험 되었으며, 실엄 결과 본 논문에서 제시한 ”분기 명령어의 방향 정보를 내포하는 새로운 기법 (direction-gshare)" 이 기존의 gshare 기법과 비교하여 통일한 하드웨어 복잡도를 가지면서도 일반적인 Bimodal 기법이나 이단계 적응형 분기 예측 기법 흑은 그의 변영인 gshare 기법에 비하여 분기 예측의 정확도가 최대 41%, 평균 15% 더 우수한 결과를 보였으며, 최적의 방향 정보 내포량에 대해서는 최대 118%, 평균 37% 의 성능 향상을 보였다.

목차

요약

Abstract

Ⅰ. 서론

Ⅱ. 연구 배경 및 관련 연구

Ⅲ. 신경망의 정보를 이용한 분기 예측 기법

Ⅳ. 시스템 성능 분석

Ⅴ. 결론 및 향후 과제

참고문헌

저자소개

참고문헌 (15)

참고문헌 신청
[학술지(정기간행물)] - / 1999. / Neural Networks : A Comprehensive Foundation google schola [학술지(정기간행물)] - / 2002.11 / Neural Methods for Dynamic Branch Prediction 20 (4) google schola [학술지(정기간행물)] - / 1962. / F. Principles of Neurodynamics Perceptrons and the Theory of Brain Mechanisms. Spartan google schola [학술지(정기간행물)] - / 1994. / Fundamentals of Neural Networks google schola [학술지(정기간행물)] - / 1993. / Artificial Neural Networks for Image Understanding. Van Nostrand Reinhold google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2009-569-014461839