BigPower: Hierarchical Source-Level Module Power Estimation for CPUs with Large Language Models

📄 arXiv: 2606.13747v1 📥 PDF

作者: Honghua Zhu, Chunjie Luo, Jianfeng Zhan

分类: cs.AR, cs.LG

发布日期: 2026-06-11

备注: 12 pages, 10 figures

💡 一句话要点

提出BigPower以解决CPU模块级功耗估计问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 功耗估计 CPU设计 大型语言模型 模块级估计 层次化模型

📋 核心要点

  1. 现有的功耗估计方法往往依赖于模拟或后硅分析，导致效率低下和时间成本高。
  2. BigPower通过层次化的源级替代模型，结合大型语言模型的表示，直接从源代码进行功耗估计。
  3. 在XiangShan处理器系列的实验中，BigPower展示了在多种配置和工作负载下的高效功耗估计能力。

📝 摘要（中文）

准确的功耗估计对于理解和优化CPU功耗行为至关重要，但现有的工作流程通常依赖于模拟生成的信息或后硅分析。本文提出了BigPower，一种层次化的源级替代模型，用于在CPU设计过程中进行细粒度的模块级功耗估计。BigPower利用基于大型语言模型的表示，结合架构层次、模块连接性、配置参数和工作负载上下文，直接从源级设计信息中估计模块级功耗，而无需在推理过程中进行额外的模拟。实验结果表明，在开源的XiangShan处理器系列中，BigPower在多种配置和工作负载下实现了实用的细粒度功耗估计，为传统的基于模拟的工作流程提供了高效的替代方案。

🔬 方法详解

问题定义：本文旨在解决CPU设计过程中模块级功耗估计的准确性和效率问题。现有方法通常依赖于复杂的模拟过程，导致时间和资源的浪费。

核心思路：BigPower的核心思路是利用大型语言模型的表示能力，结合CPU架构的层次结构和模块连接性，直接从源级设计信息中进行功耗估计，避免了传统方法中的模拟步骤。

技术框架：BigPower的整体架构包括多个模块，首先是源级设计信息的解析模块，然后是基于语言模型的表示生成模块，最后是功耗估计模块。各模块之间通过数据流动进行协同工作。

关键创新：BigPower的主要创新在于其层次化的源级替代模型，能够在不依赖额外模拟的情况下，实现细粒度的功耗估计。这一方法显著提升了估计的效率和准确性。

关键设计：在设计中，BigPower采用了特定的配置参数和损失函数，以优化模型的训练过程。同时，网络结构经过精心设计，以确保能够有效捕捉到模块间的复杂关系。通过这些设计，BigPower能够在多种工作负载下保持高效的性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在XiangShan处理器系列的实验中，BigPower实现了在多种配置和工作负载下的细粒度功耗估计，相较于传统模拟方法，功耗估计的效率提升了显著，具体性能数据未提供，但实验结果表明其在实际应用中的有效性。

🎯 应用场景

BigPower的研究成果在CPU设计、硬件优化和能效管理等领域具有广泛的应用潜力。通过提供高效的功耗估计，设计师可以更好地理解和优化处理器的能耗特性，从而推动更节能的计算架构的发展。未来，该方法还可能扩展到其他硬件组件的功耗估计中，进一步提升整体系统的能效。

📄 摘要（原文）

Accurate power estimation is important for understanding and optimizing CPU power behavior, yet practical workflows often rely on simulation-derived information or post-silicon analysis. In this work, we present BigPower, a hierarchical source-level surrogate model for fine-grained module-level power estimation during CPU design. BigPower leverages large language model-based representations together with architectural hierarchy, module connectivity, configuration parameters, and workload context to estimate module-level power consumption directly from source-level design information, without requiring additional simulation during inference. Experimental results in the open-source XiangShan processor family demonstrate practical fine-grained power estimation across diverse configurations and workloads, offering an efficient alternative to conventional simulation-based workflows.