cation other than graphics, such as

cation other than graphics, such as electronic design automation,
medical imaging, and signal processing. Programmable
GPUs can not only be found in desktop computers, but also
in mobile devices such as tablets and in supercomputers,
having in common the need for a large amount of energy
efficient compute power.
GPUs spend most of their hardware on many small (but
heavily pipelined) ‘cores’, with no branch prediction, no
speculative execution and only small caches. Instructions
are issued in SIMD-style vectors, and latency is hidden by
concurrently executing many independent vectors, resulting
in a high-performance energy efficient SIMT architecture.
The number of cores on GPGPUs have increased from
just over a hundred in 2006 [5] to thousands in 2013 [9],
an increase of 21× in just 6.5 years. In the same period
performance (gflops) has increased ‘only’ 9×, and energy
efficiency (gflops/w) by a mere 5×. Also power consumption
(tdp) has reached a ceiling of 250W since 2008, and
at the same time clock frequency diminishes. This together
reveals a trend in which more parallelism by more cores is
preferred over clock frequency, i.e. more hardware is spent
in order to increase performance and energy efficiency.
Simply adding more cores to a GPU does not result in
an equivalent increase in performance or energy efficiency.
Moreover, GPUs spend many cycles on data movement and
control. In this work we propose an extension to the current
GPU architecture in which the cores in an SM can be con-
figured in a network with direct communication, creating
a spatial computing architecture. Furthermore, each core
executes a fixed instruction, reducing instruction fetch and
decode count significantly. Data movement and control of an
application is made implicit in the network, freeing up the
cores for computations on actual data. By better utilizing
the available cores, this results in increased performance and
energy efficiency, while it only adds a relative small amount
of hardware and preserves the original GPU functionality.

ผลลัพธ์ (ไทย) 1:

cation อื่น ๆ กราฟิก เช่นออกแบบอิเล็กทรอนิกส์อัตโนมัติภาพทางการแพทย์ และการประมวลผลสัญญาณ โปรแกรมGPUs ไม่สามารถพบได้ในคอมพิวเตอร์เดสก์ท็อป แต่ยังในโทรศัพท์มือถือ เช่นเม็ด และ supercomputersมีกันต้องการพลังงานจำนวนมากคำนวณประสิทธิภาพพลังงานGPUs ใช้ทั้งฮาร์ดแวร์ขนาดเล็กมาก (แต่หนัก pipelined) 'แกน' มีสาขาคาดเดา ไม่การดำเนินการเก็งกำไรและแคชที่เล็กเท่านั้น คำแนะนำออกในแบบ SIMD เวกเตอร์ และเวลาแฝงที่ถูกซ่อนไว้โดยพร้อมดำเนินการหลายเวกเตอร์อิสระ เกิดเป็นพลังงานที่มีประสิทธิภาพสูงมีประสิทธิภาพ SIMT สถาปัตยกรรมจำนวนแกนบน GPGPUs ได้เพิ่มขึ้นจากเพียงกว่าร้อยปี 2549 [5] หลายพันคนในปี 2013 [9],การเพิ่มของ 21 ×เพียง 6.5 ปี ในเวลาเดียวกันมีเพิ่มประสิทธิภาพ (gflops) 'เท่านั้น' 9 ×, และพลังงานประสิทธิภาพ (gflops w) โดยซื้อเพียง 5 นอกจากนี้การใช้พลังงาน(tdp) ถึงเพดานของ 250W ตั้งแต่ 2008 และที่นาฬิกาเวลาเดียวกัน ความถี่ค่อย ๆ หายไป พร้อมกันนี้เผยแนวโน้มการ parallelism เพิ่มเติม โดยเพิ่มเติมแกนคือต้องผ่านความถี่ เช่นเพิ่มเติมฮาร์ดแวร์ที่ใช้เพื่อเพิ่มประสิทธิภาพการประหยัดพลังงานเพียงเพิ่มเติมแกน GPU ไม่ส่งผลเพิ่มขึ้นเทียบเท่ากับประสิทธิภาพหรือพลังงานอย่างมีประสิทธิภาพนอกจากนี้ GPUs ใช้หลายรอบในการเคลื่อนย้ายข้อมูล และควบคุม ในงานนี้ เราเสนอส่วนขยายการปัจจุบันสถาปัตยกรรม GPU ที่แกนใน SM สามารถคอน-คิดในเครือข่ายที่มีการสื่อสารโดยตรง สร้างสถาปัตยกรรมคอมพิวเตอร์เป็นพื้นที่ นอกจากนี้ แต่ละหลักดำเนินการคำสั่งถาวร ลดการ fetch คำสั่ง และถอดรหัสการนับอย่างมีนัยสำคัญ ข้อมูลความเคลื่อนไหวและควบคุมการโปรแกรมประยุกต์ทำนัยในเครือข่าย พ้นแกนสำหรับประมวลผลข้อมูลจริง โดยการใช้ดีกว่าแกนมี ซึ่งผลในการเพิ่มประสิทธิภาพ และพลังงาน ในขณะที่เพียงเพิ่มความสัมพันธ์เล็กน้อยฮาร์ดแวร์ และรักษาฟังก์ชันการทำงาน GPU เดิม

ผลลัพธ์ (ไทย) 2:

ไอออนบวกอื่น ๆ กว่ากราฟิกเช่นอิเล็กทรอนิกส์แบบอัตโนมัติ,
การถ่ายภาพทางการแพทย์และการประมวลผลสัญญาณ โปรแกรมได้
GPUs ไม่เพียง แต่สามารถพบได้ในคอมพิวเตอร์เดสก์ทอป แต่ยังอยู่ในอุปกรณ์มือถือเช่นแท็บเล็ตและซูเปอร์คอมพิวเตอร์ที่มีเหมือนกันที่จำเป็นสำหรับการเป็นจำนวนมากของพลังงานที่มีประสิทธิภาพการประมวล. GPUs ใช้เวลาส่วนใหญ่ของฮาร์ดแวร์ของพวกเขาในหลายขนาดเล็ก (แต่อย่างหนักไปป์ไลน์) 'แกน' ที่มีการคาดการณ์ไม่มีสาขาไม่มีการดำเนินการเก็งกำไรและแคชเล็กๆ เท่านั้น คำแนะนำที่ออกในเวกเตอร์ SIMD สไตล์และแฝงถูกซ่อนไว้โดยพร้อมดำเนินเวกเตอร์อิสระจำนวนมากส่งผลให้ในการใช้พลังงานที่มีประสิทธิภาพสูงที่มีประสิทธิภาพสถาปัตยกรรม SIMT. จำนวนแกนใน GPGPUs ได้เพิ่มขึ้นจากเพียงร้อยในปี2006 [5] ไป พันในปี 2013 [9], เพิ่มขึ้น 21 ×ในเวลาเพียง 6.5 ปี ในช่วงเวลาเดียวกันผลการดำเนินงาน (GFLOPS) ได้เพิ่ม 'เท่านั้น' 9 ×และพลังงานอย่างมีประสิทธิภาพ(GFLOPS / w) โดยมีเพียง 5 × นอกจากนี้ยังมีการใช้พลังงาน(TDP) ได้ถึงเพดานของ 250W ตั้งแต่ปี 2008 และในเวลาเดียวกันลดลงความถี่สัญญาณนาฬิกา นี้ร่วมกันแสดงให้เห็นแนวโน้มที่คล้ายคลึงกันมากขึ้นโดยแกนมากขึ้นเป็นที่ต้องการมากกว่าความถี่สัญญาณนาฬิกาฮาร์ดแวร์เช่นมากขึ้นคือการใช้จ่ายเพื่อเพิ่มประสิทธิภาพการทำงานและประสิทธิภาพการใช้พลังงาน. เพียงแค่เพิ่มแกนมากขึ้นกับ GPU ไม่ได้ส่งผลให้เกิดการเพิ่มขึ้นเทียบเท่าในการปฏิบัติงานหรือพลังงานประสิทธิภาพ. นอกจากนี้ GPUs ใช้จ่ายจำนวนมากในรอบการเคลื่อนไหวของข้อมูลและการควบคุม ในงานนี้เรานำเสนอเป็นส่วนหนึ่งในปัจจุบันสถาปัตยกรรม GPU ในการที่แกนในเอสเอ็มสามารถทำาคิดอยู่ในเครือข่ายการสื่อสารโดยตรงกับการสร้างสถาปัตยกรรมคอมพิวเตอร์เชิงพื้นที่ นอกจากนี้แต่ละแกนดำเนินการเรียนการสอนคงลดการเรียนการสอนและเรียกนับถอดรหัสอย่างมีนัยสำคัญ การเคลื่อนไหวของข้อมูลและการควบคุมของแอพลิเคชันที่ทำโดยปริยายในเครือข่ายพ้นขึ้นแกนสำหรับการคำนวณข้อมูลที่เกิดขึ้นจริง ดีกว่าโดยใช้แกนที่มีอยู่ส่งผลให้ประสิทธิภาพการทำงานที่เพิ่มขึ้นและประสิทธิภาพการใช้พลังงานในขณะที่มันเพียงแต่เพิ่มจำนวนเล็กน้อยญาติของฮาร์ดแวร์และการดำรงไว้ซึ่งการทำงานของ GPU เดิม

ผลลัพธ์ (ไทย) 3:

ประจุบวกมากกว่ากราฟิก เช่น การออกแบบเครื่องจักรอิเล็กทรอนิกส์
ภาพทางการแพทย์ และประมวลผลสัญญาณ โปรแกรม
GPUs สามารถไม่เพียง แต่จะพบในคอมพิวเตอร์เดสก์ทอป แต่ยังอยู่ในอุปกรณ์เคลื่อนที่ เช่น เม็ด

และในซูเปอร์คอมพิวเตอร์ มีเหมือนกันเป็นจํานวนมาก ประหยัดพลังงาน ใช้พลังงาน
.
GPUs ใช้จ่ายมากที่สุดของฮาร์ดแวร์ของพวกเขาในขนาดเล็กมาก ( แต่หนัก pipelined
) ' แกน 'ไม่มีสาขาการคาดการณ์ ไม่บังคับ
เก็งและแคชขนาดเล็ก คำแนะนำ
จะออกในรูปแบบเวกเตอร์ simd และศักยภาพที่ซ่อนอยู่โดย
พร้อมรันเวกเตอร์อิสระมากมาย เป็นผล
ในสถาปัตยกรรมนายประหยัดพลังงานประสิทธิภาพสูง
จำนวนแกนบน gpgpus ได้เพิ่มขึ้นจาก
แค่ร้อยกว่าบาท [ 5 ] นับพันใน 2013 [ 9 ] ,
การเพิ่มขึ้นของ 21 ×เพียง 6.5 ปี การปฏิบัติงานในรอบระยะเวลาเดียวกัน ( gflops
) ได้เพิ่มขึ้นเท่านั้น ' ' 9 ×และประสิทธิภาพพลังงาน ( gflops
/ W ) โดยมีเพียง 5 × . นอกจากนี้ การใช้พลังงาน
( TDP ) ได้ถึงเพดานของ 250W ตั้งแต่ 2008 และ
ในเวลาเดียวกันความถี่นาฬิกาค่อย ๆ หายไป ด้วยกัน
เผยแนวโน้มที่ขึ้นขนานโดยแกนมากขึ้น
ต้องการมากกว่าความถี่สัญญาณนาฬิกา เช่นฮาร์ดแวร์เพิ่มเติมใช้
เพื่อเพิ่มสมรรถนะและประสิทธิภาพการใช้พลังงาน เพิ่มมากขึ้น
เพียงแกน GPU ไม่ส่งผลในการเพิ่มประสิทธิภาพหรือเทียบเท่า

ต่อประสิทธิภาพการใช้พลังงาน และใช้รอบมากในการเคลื่อนไหวและการควบคุมข้อมูล
. ในงานนี้เราเสนอขยายเวลาปัจจุบัน
GPU สถาปัตยกรรมที่แกนใน SM สามารถ con -
คิดว่าในเครือข่ายการสื่อสารโดยตรง การสร้าง : สถาปัตยกรรมคอมพิวเตอร์เชิงพื้นที่ นอกจากนี้ แต่ละหลัก
รันสอนถาวร ลดการดึงและ
ถอดรหัสนับสถิติ การเคลื่อนไหวและการควบคุมข้อมูลของโปรแกรมถูกสร้างโดยนัยใน

เครือข่ายพ้นแกนสำหรับการคำนวณข้อมูลที่แท้จริง โดยการใช้แกนใช้ได้ดีกว่า
,ผลนี้ในการเพิ่มประสิทธิภาพและ
ประสิทธิภาพพลังงาน ในขณะที่เพียงเพิ่มญาติเล็กน้อย
ฮาร์ดแวร์และรักษาฟังก์ชัน GPU เดิม