AURIXTC4x 微控制器的并行处理单元(PPU)简介

最新推荐文章于 2024-10-16 15:11:24 发布

依依依~

最新推荐文章于 2024-10-16 15:11:24 发布

阅读量93

点赞数

文章标签： django

原文链接：https://www.oneyac.com/news/detail/7351.html

版权

并行处理单元（PPU）是集成在英飞凌AURIX™ TC4x微控制器系列中的协处理器。（找元器件现货上唯样商城）PPU旨在卸载主CPU的信号处理、滤波和其他数学运算，从而为要求严格的应用程序（例如实时控制、传感器信号处理和轨迹规划等）提供高计算能力和缩短执行时间，并且能支持实现简单的神经网络算法。

本文将简要介绍PPU的内部结构、功能和应用领域。

1. PPU内部结构

图1. TC4x微控制器示意框图

图1是TC4x 微控制器示意框图，图中右上角是PPU的简化结构，由标量核（scalar core），向量核（vector core/SIMD core），一级缓存，及其它系统资源组成。

标量核（Scalar Core）：标量核用于执行大量的标量运算，以及任务调度。标量核支持多种算术运算和逻辑运算，还支持硬件浮点运算，从而实现更高的计算效率。另外，标量核提供丰富的硬件功能安全机制，可以辅助实现高功能安全等级的任务。

向量核（Vector core/SIMD Core）：向量核是 PPU 的另一个重要功能模块，专门用于执行向量运算。向量核支持多种向量算术运算、逻辑运算和专用信号处理，支持整型数和浮点运算，从而实现更高的计算效率。向量核还支持多级流水线和 SIMD（single instruction multiple data，单指令多数据）指令，对不同数据同时执行同样的操作，通过并行执行多个向量运算来提高效率。

一级缓存：一级缓存是PPU用于保存计算输入和输出数据的存储空间。由于结构上和运算核紧密耦合，该缓存可以在PPU 的执行过程中对状态进行快速读写，并且有EDC/ECC保护，从而实现更高的执行效率和更高的可靠性。

其它系统资源：包括用于快速数据搬运的DMA，共享内存区等等。

2. SIMD 和VLIW指令

2.1 SIMD（Single Instruction Multiple Data）指令

SIMD（Single Instruction Multiple Data）指令是一种并行指令，可以同时对多个不同数据进行相同的操作。这种指令可以大幅提高计算效率，特别是在执行向量运算时效果更为明显。

PPU 的 SIMD 指令集包括多种运算指令，如数学运算、逻辑运算等。这些指令都是并行指令，可以同时对多个数据进行操作，从而大幅提高计算效率。例如，PPU 的 SIMD 加法指令可以一次性对多个数据进行加法运算，从而实现更高的计算速度。

下面是一个示例，假设有两个向量 A 和 B，每个向量包含 16 个 16 位整数，要计算 A 和 B 的和。如果使用不支持SIMD指令的标量核，代码示例如下，需要进行16次循环运算，将不同的A[i]、B[i] 数据依次顺序进行加法操作，相当费时。

而如果使用支持SIMD指令的 PPU进行运算，则可以一次完成，假设PPU位宽是256bit（=16*16bit）:

由此可见，支持SIMD指令的PPU在进行向量运算时，通过降低同样运算的处理次数，从而有效节省运算时间，提高处理效率。

2.2 VLIW（Very Long Instruction Word）指令

VLIW（Very Long Instruction Word）是一种处理器的并行架构，允许在单个时钟周期内，由处理器的不同部件同时执行多个操作。

例如，如果要执行两个复向量A和B的乘法，结果存储在向量C中。

C语言实现如下：

如果在标量核上运算，会顺序执行下列代码，并循环多次：

PPU内的向量核有三个处理单元，包括两个浮点运算器，和一个读取/存储部件用于将RAM中的数据搬运到核内寄存器。这三个部件可以同时运行，形成指令层面的并行机制，从而实现VLIW指令。

上列代码由PPU处理，可以将第4和第5行的乘法运算分别分配给两个浮点运算器同时处理，如下红框所示。而在下个指令周期内，第7，8，9行的指令可以分配给三个部件同时处理，如下蓝框所示。从而将原先需要12条指令周期运行的代码缩短到9条（12-1-2=9）指令周期，提高执行效率。

3. 应用场景

PPU适用于不同应用场景，图2 列出了三种较常见的算法。第一种是将时域信号转变为频域信号，以提取频率信息的快速傅里叶变换（FFT）。FFT 在数字信号处理中得到了广泛的应用，如音频信号处理、毫米波雷达信号处理等。

图2. PPU实现的算法

第二种是多层感知算法，它是一种基于人工神经网络的机器学习算法，可以用于分类、回归和模式识别等应用。MLP 由多个神经元组成，每个神经元都包含多个输入和一个输出。MLP 通过学习输入和输出之间的映射关系，从而实现对新数据的预测和分类。MLP 在机器学习和数据挖掘中得到了广泛的应用。除此之外，MLP 还可以用于控制和优化问题。