Что такое рассеиваемая мощность процессора

Обновлено: 21.11.2024

В этой таблице вы найдете небольшой набор стандартных компонентов, которые можно использовать в качестве общего руководства для оценки энергопотребления. Стандартные процессоры потребляют от 65 до 85 Вт, а четырехъядерные — от 95 до 140 Вт.

Жесткие диски могут сильно различаться в зависимости от возраста и модели; вы можете обойтись 10 Вт в качестве оценки, потому что диски редко работают одновременно при полной нагрузке. Максимально необходимо 30 Вт на короткое время при загрузке системы; вы должны предусмотреть запас безопасности для этого при оценке максимальной мощности нагрузки.

Набор микросхем материнской платы может иметь решающее значение, поскольку интегрированные компоненты, такие как звук, сеть и дополнительные контроллеры, должны получать питание. В то время как Intel потребляет в целом от 20 до 30 Вт, более крупная материнская плата SLI с чипсетом nForce может запросто потреблять в два раза больше энергии.

< td>Процессор Intel C2D E6750< td>85

Для стандартного ПК наличие мощной видеокарты может легко составлять 50 % от общего энергопотребления. Значения в примерах измерены свободно: используемая тестовая система видеокарты имеет двухъядерный ЦП (65 нм), набор микросхем X38, два жестких диска и два модуля памяти при 85 Вт.

Хотите улучшить этот вопрос? Обновите вопрос, чтобы он соответствовал теме Physics Stack Exchange.

Закрыт 4 года назад.

Я ищу оценку взаимосвязи между скоростью увеличения энергопотребления при увеличении частоты процессора.

Были бы полезны любые ссылки на выводы по этому вопросу.

$\begingroup$ Этот вопрос кажется не по теме, поскольку он касается энергопотребления электронных компонентов, а не физики $\endgroup$

$\begingroup$ Я голосую за то, чтобы закрыть этот вопрос как не относящийся к теме, потому что он не имеет ничего общего с физикой; скорее, он касается энергопотребления электронных устройств, что не относится к теме этого сайта. $\endgroup$

5 ответов 5

Потребляемая мощность примерно линейна с частотой.

Как показано, процессор содержит миллионы дополняющих друг друга полевых транзисторов. Когда вход становится низким, небольшая емкость заряжается и удерживает небольшое количество энергии. Столько же теряется при зарядке. Когда вход снова станет высоким, заряд будет сброшен на землю и потерян. Таким образом, при каждом изменении уровня теряется $n$ джоулей. Если частота 1 МГц, то это переключение происходит 10$^$ в секунду, и в секунду будет теряться $n$ 10$^$ Джоулей. Если частота равна 1 ГГц, потери составят $n$ 10$^$ Дж.

Обратите внимание, что энергия в конденсаторе равна $\frac$, поэтому рассеивание зависит от напряжения квадратично; работа процессора при половинном напряжении снизит энергопотребление на 75 %.

Это приводит к уравнению, в котором tuğrul также упоминает:

$ P = c \cdot V^2 \cdot f + P_S $

где $c$ — константа масштабирования с размерностью емкости (F). $P_S$ – это статическая рассеиваемая мощность, на которую ссылается Мартин, то есть мощность при нулевой тактовой частоте.

Для данной схемы в данной технологии мощность увеличивается со скоростью, пропорциональной $f^3$ или хуже. Глядя на график в ответе @Martin Thompson, вы можете увидеть, что мощность суперлинейна по частоте.

$P=c V^2 f + P_S$ верно, но только внешне, потому что $f$ и $P_S$ являются функциями $V$ и $V_$ (порогового напряжения). На практике напряжение, пороговое напряжение и частота всегда изменяются вместе.При выбранном напряжении существует максимальная частота, на которой вы можете запустить свою схему. Запуск быстрее приведет к неверным данным. Но вы бы никогда не установили частоту намного ниже максимальной частоты для выбранного напряжения, потому что тогда вы просто тратите энергию впустую.

Давайте проигнорируем мощность утечки (статическую) и сосредоточимся на динамической мощности $cV^2f$. По альфа-аппроксимации $$ f \propto \frac<(V-V_

КомпонентПотребляемая мощность (Ватт)
ЦП Intel Pentium 4 (Prescott) 3,2 ГГц84
ЦП Intel C2D E2140-222065
65
Процессор Intel C2Q Q660095 или 105
ЦП Intel C2D E7200-730065
ЦП Intel C2D E8200-860065
Процессор Intel C2Q Q9300-965095
Процессор Intel Core i7 920
Процессор Intel Core i7 94092
Процессор Intel Core i7 965 Extreme 100
ЦП AMD Athlon 64 3800+ EE62
ЦП AMD Athlon 64 X2 4800+ EE65
ЦП AMD Athlon 64 X2 4800+89
ЦП AMD Athlon 64 X2 6000+125
ЦП AMD Phenom X3 95
Процессор AMD Phenom X4 9100e-9350e65
Процессор AMD Phenom X4 9500- 975095
ЦП AMD Phenom X4 9750-9850 Black125
ЦП AMD Phenom X4 9950 Black 140
Жесткий диск 2,5 дюймаот 2 до 6
Жесткий диск 3,5 дюйма от 10 до 30
DVD-приводот 5 до 12
Материнская платаот 20 до 60
1 модуль памяти3
)^\alpha>. $$

Здесь $\alpha$ – зависящая от технологии константа, которая отвечает за насыщение скорости. $\alpha$ будет равно 2 при отсутствии насыщения скорости (например, в технологии 1000 нм и старше) и приближается к 1 при полном насыщении скорости. В технологии 250 нм он был где-то между 1,3 и 1,5. Для 45 нм оно может быть где-то между 1,1 и 1,4.

До 1995 года можно было предположить, что $\alpha$ равно 2 и что $V \gg V_$, и в этом случае $f \propto V$ означает $P \propto f^3$. Но в технологии 2013 года (45 нм и ниже) $\alpha$ не только больше похоже на 1,3, чем на 2, но и $V$ теперь лишь немного больше, чем $V_$.

Далее статическая мощность $P_S \propto e^<(-V_

/V_o)>V$, что означает, что выбор напряжения, порогового напряжения и частоты теперь является нелинейной задачей оптимизации с ограничениями. (При фиксированной максимальной мощности оптимизируйте для максимально достижимой частоты или при заданной фиксированной требуемой частоте оптимизируйте для минимальной мощности.)

Вот три очень хороших документа, в которых обсуждаются процедуры оптимизации и их последствия:

В этой статье ясно показано нелинейное увеличение энергопотребления с увеличением частоты:

Управление электропитанием — одна из самых больших проблем, с которыми сталкиваются современные центры обработки данных. Поскольку процессоры потребляют основное количество энергии в компьютерных системах, управление питанием многоядерных процессоров имеет чрезвычайно важное значение. Для разработки эффективного управления питанием требуется модель эффективного энергопотребления, которая точно прогнозирует энергопотребление процессора.

Контексты в исходной публикации

<р>. фактор снижения энергопотребления по технологии DVFS, что приводит к снижению производительности. Чтобы получить взаимосвязь между энергопотреблением ЦП и частотой, мы запустили тест EP-NPB, интенсивно использующий ЦП, на виртуальной машине с разными частотами ЦП. Мы измерили энергопотребление только для процессора. Таким образом, мы получили кривые на рис. 2. Затем, применяя модель линейной регрессии, мы обнаружили, что наилучшие отношения могут быть аппроксимированы полиномиальной линейной регрессией с R 2 = 0,99. Мы обобщили ее как квадричную модель в (1), которая напоминает модель, предложенную в [7][8] для оценки энергопотребления сервера. θ и P min – константы, которые следует выбирать равными .

<р>. На рис. 2 показана идеальная аппроксимация для каждой кривой ряда ядер, общие изменения системы не могут быть охвачены с учетом только частоты. Следовательно, нам нужны разные значения θ и P min для каждого количества активных ядер. Например, чтобы оценить мощность ЦП на частоте 1,72 ГГц при 8 активных ядрах, используйте (1) наилучшие значения для θ и P .

Похожие публикации

Основной целью настоящей статьи является исследование изменения значений показателей надежности компьютерной системы с аппаратным резервированием в режиме холодного резерва и приоритетом обновления программного обеспечения над ремонтом аппаратного обеспечения. Немедленно вызывается один сервер для ремонта оборудования и обновления программного обеспечения по мере необходимости. Ремонт и выше.

Общая производительность разработки вычислительных систем была поглощена повышением спроса со стороны клиентов и предприятий. но потребление постоянно растущей энергии для вычислительных систем начало ограничиваться увеличением общей производительности из-за больших затрат на электроэнергию и выбросов углекислого газа.Рост энергопотребления.

В этом документе предлагается новая структура раздельного обучения с несколькими конечными системами, позволяющая реализовать глубокие вычисления нейронной сети с сохранением конфиденциальности. В традиционных средах раздельного обучения вычисления глубокой нейронной сети разделены на несколько вычислительных систем, чтобы скрыть целые сетевые архитектуры. В предлагаемой нами структуре несколько com.

В последнее время облачные вычисления занимают большое место в мире, особенно в сфере информационных технологий. Он характеризуется тем, что в основном полагается на Интернет для предоставления услуг организациям и потребителям и для использования преимуществ совместного использования ресурсов, в дополнение к тому, что он связан со многими центральными удаленными серверами для обслуживания.

Среди стихийных бедствий, произошедших в Индонезии, преобладают гидрометеорологические катастрофы, где наводнения и оползни наносят значительный ущерб. Обильное количество осадков и осведомленность общественности о сохранении окружающей среды реки все еще низки, что приводит к загрязнению воды и наводнениям. Поэтому необходима система реального времени для мониторинга качества воды и уровня воды.

Цитаты

<р>. A. Анализ архитектуры и направление проектирования На рис. 2 показаны нормированные три ключевые характеристики ускорителей, размер площади которых меньше 10 мм 2 в таблицах 1 и 2. Три ключевые характеристики ускорителей приведены к одному и тому же классу вычислений. способность путем увеличения [17] [18] [23] [27] и уменьшения [20] [22], линейно [29] . Результат показывает, что, за исключением [23][27], остальные пять ускорителей имеют аналогичную тенденцию по энергопотреблению и размеру площади. .

Ускорители искусственного интеллекта Edge появляются как решение для приложений клиентов в таких областях, как беспилотные летательные аппараты (БПЛА), датчики распознавания изображений, носимые устройства, робототехника и спутники дистанционного зондирования. Эти приложения требуют не только достижения целевых показателей производительности, но и соблюдения строгих ограничений по площади и мощности из-за их портативной мобильности и ограниченных источников питания. В результате в этой статье был предложен механизм свертки на основе потоковой передачи столбцов, который включает в себя наборы столбцов конструкции элементов обработки для обеспечения гибкости с точки зрения применимости различных алгоритмов CNN в периферийных ускорителях ИИ. По сравнению с коммерческим ускорителем CNN ключевые результаты показывают, что механизм свертки на основе потоковой передачи столбцов требует аналогичных циклов выполнения для обработки карты признаков 227 x 227 без штрафов за заполнение нулями.

<р>. Мы создаем настраиваемые модели мощности ЦП во время выполнения, используя 3 компонента: физическую информацию о платформе разработки, события блока мониторинга производительности (PMU) и информацию о состоянии ЦП.  Мы оцениваем наш подход в сравнении с чисто физической моделью (Takouna [5]), моделью на основе PMU (Pricopi [6]) и моделью на основе состояния процессора (Walker [7]), и мы демонстрируем улучшенную способность прогнозировать мощность при тестировании на cBench с использованием платформа для разработки big.LITTLE.  Мы определили, что настройка модели для каждого уровня частоты ЦП намного точнее, чем унифицированная модель. .

<р>. Возможность моделировать мощность системы и процессора исследовалась с самого зарождения полупроводниковой промышленности [5], [8], [9]. В этом разделе мы обобщаем некоторые из опубликованных методологий разработки моделей мощности и противопоставляем их нашему подходу. .

<р>. Современные модели мощности используют события высокого уровня для получения мощности, поскольку их гораздо легче наблюдать. Такуна и др. [5] представили очень минимальную модель линейной мощности для процессора Intel Xeon E5540, которая использует частоту и количество ядер для прогнозирования мощности со средней ошибкой 7%. Ограничением этого подхода является то, что он не может предсказать изменения потребляемой мощности на определенном уровне частоты, поскольку он будет моделировать только среднюю мощность для этой частоты. .

Гетерогенные процессоры, образованные двоично-совместимыми ядрами ЦП с различными микроархитектурами, позволяют снизить энергопотребление за счет лучшего соответствия вычислительных возможностей и требований к программным приложениям. Эта новая аппаратная платформа требует новых методов управления питанием и энергопотреблением, чтобы полностью использовать ее возможности, особенно в отношении сопоставления рабочих нагрузок с соответствующими ядрами. В этой статье мы проверяем релевантную опубликованную работу, связанную с моделированием энергопотребления для гетерогенных систем, и предлагаем новый подход к разработке моделей энергопотребления во время выполнения, который использует гибридный набор физических предикторов, событий производительности и информации о состоянии ЦП. Мы демонстрируем точность этого подхода по сравнению с современным уровнем техники и его применимость к планированию с учетом энергопотребления. Наши результаты получены на имеющейся в продаже платформе, построенной на основе Samsung Exynos 5 Octa SoC с гетерогенной архитектурой ARM big.LITTLE.

<р>. [7,9,18] и [13] разработали различные подходы к планированию потоков с учетом целей производительности, энергопотребления и/или оптимизации энергопотребления на симметричных мультипроцессорах, некоторые из них исследуют влияние возможностей SMT на ядра с внутренними потоками. В частности, [6] и [13, 16, 19] объединили методы динамического масштабирования напряжения и частоты (DVFS) вместе с решениями по управлению потоками и выявили их совместное влияние на производительность и оптимизацию энергопотребления в условиях ограничения мощности. Что касается более новых архитектур, [14,16] исследовали политики многопоточности в контексте асимметричных/гетерогенных многопроцессорных систем в условиях ограниченной мощности, а [12] изучали влияние различных конфигураций потоков на производительность и энергопотребление для набора тестов, работающих на процессорах Intel. Архитектура МИК. .

Модели программирования с параллельным выполнением задач сократили разрыв между сложностью программного и аппаратного обеспечения в высокопроизводительных вычислениях. Тем не менее, разработчик по-прежнему отвечает за сложные решения, которые оказывают значительное влияние на общую эффективность и влияют на разработку приложения. В частности, в контексте, в котором набор разнородных и взаимозависимых задач совместно использует ресурсы, существует сложное взаимодействие между различными факторами, такими как гранулярность задачи, критичность задачи, размер проблемы, межзадачный и внутризадачный параллелизм и доступное аппаратное параллелизм. В этой статье мы исследуем влияние этого сочетания с точки зрения статического планирования, представив линейную программу со смешанными целыми числами, в которой степень межзадачного и внутризадачного параллелизма может быть адаптирована по мере развития выполнения. Мы решаем набор экземпляров, имитирующих плотную факторизацию Холецкого на 20-ядерном многопроцессорном процессоре Xeon в сценарии с ограниченным энергопотреблением, нацеленном на сокращение срока службы и минимизацию энергопотребления. Модель показывает прирост производительности до 17,9% с точки зрения производительности и 4,1% с точки зрения энергии за счет обнаружения набора высококачественных решений для планирования. © 2019, Springer Science+Business Media, LLC, часть Springer Nature.

<р>. Эта первая реализация основана на Android, которая является наиболее распространенной мобильной операционной системой, и на собственном диспетчере ресурсов среды выполнения. Как упоминалось ранее, мы расширили диспетчер ресурсов политикой выбора устройств, которая также использует динамическое масштабирование частоты и напряжения (DVFS) для настройки текущей частоты ЦП на устройстве [15, 32]. соблюдать набор функций и разрешений. .

Растущее распространение мобильных устройств в сочетании со скоростью их замены привело к тому, что нам пришлось столкнуться с проблемой утилизации все большего количества все еще работающих электронных устройств.В данной работе предлагается подход к смягчению этой проблемы за счет продления срока службы мобильных устройств за счет их интеграции в распределенную мобильную вычислительную систему. Также благодаря растущей вычислительной мощности таких устройств эта парадигма открывает возможность развертывания мобильных приложений распределенным образом. Это, не забывая об управлении энергетическим бюджетом как о первостепенной цели. В этой работе мы создали пробную версию, основанную на расширении диспетчера ресурсов времени выполнения для поддержки приложений Android. Мы внедрили политику выбора устройств с учетом энергопотребления, чтобы распределить рабочую нагрузку приложения в соответствии с возможностями устройства и статусом времени выполнения. Экспериментальные результаты показывают, что помимо увеличения использования нескольких мобильных устройств, доступных одному пользователю, использование энергоэффективного и распределенного подхода может увеличить срок службы батареи на 12–36 %.

<р>. Поскольку энергопотребление процессора зависит от нескольких факторов, таких как температура, набор инструкций, скорость использования и технология процессора, в литературе существует множество подходов к моделированию энергопотребления процессора с различной сложностью и точностью, как в [4], [7], [11] или [18]. .

<р>. Чтобы методы консолидации были более эффективными, они должны оценивать влияние рабочих нагрузок на энергопотребление. Рабочие нагрузки сильно влияют на мощность, потребляемую системами, на которых они работают [15, 40, 41]. Таким образом, мы начинаем наше исследование с изучения того, как неоднородность рабочей нагрузки влияет на энергопотребление. .

<р>. Другие позже поняли, что таких простых моделей недостаточно для решения более сложных сценариев [20]. В самой последней работе вводится понятие «интенсивность» и используются отдельные линейные или авторегрессивные модели с экзогенным вводом (ARX) для разных классов рабочих нагрузок [40, 41]. Вдохновленные этой последней работой, мы построили разные модели ARX для каждой «преобладающей интенсивности», которую мы наблюдали в нашем синтетическом тесте. .

<р>. Более полное исследование моделирования мощности виртуальных машин представлено Yang et al. [41], в котором они представили iMeter, интегрированную модель мощности ВМ, основанную на профилировании производительности. Эта работа является одной из первых, в которой представлен в высшей степени систематический подход, который включает следующие этапы: (1) выбор тестов, где авторы используют пакет NASA Parallel Benchmark [21, 40], а также IOzone [7] и Cachebench [35]. нагрузить виртуальные машины различными рабочими нагрузками; (2) выбор PMC с просачиванием вниз, необходимый для уменьшения пространства решения; (3) установление базовой линии измерения, полученной путем запуска виртуальных машин на физической машине; (4) систематический выбор счетчиков производительности с использованием анализа основных компонентов (PCA) и вращения варимакс для дальнейшего уменьшения порядка модели; (5) моделирование с использованием регрессии опорных векторов; и (6) оценка, где применяется иерархическая кластеризация для ассимиляции сходных условий. iMeter удалось достичь относительной погрешности около 5%. .

Мультитенантные виртуализированные инфраструктуры позволяют поставщикам облачных услуг минимизировать расходы за счет консолидации рабочих нагрузок. Одной из самых больших затрат является энергопотребление, которое сложно понять в гетерогенных средах. Мы предлагаем методологию моделирования мощности, которая справляется с этой сложностью, используя подход «разделяй и властвуй». Наши результаты превосходят предыдущие исследовательские работы, достигая относительной ошибки в среднем 2% и менее 4% почти во всех случаях. Модели переносимы между схожими архитектурами, что позволяет прогнозировать энергопотребление до переноса арендатора на другую аппаратную платформу. Более того, мы показываем, что модели позволяют нам оценивать совместное размещение арендаторов для снижения общего потребления.

<р>. Параллелизм в программном обеспечении был не только аргументом в пользу производительности, но и энергоэффективности [2,34,40]. В литературе показано, как приложения реализуются для многопоточного выполнения и с более низкой тактовой частотой достигают той же производительности, что и их однопоточные версии с меньшим потреблением энергии. .

Приложения традиционно выполнялись с максимально возможной скоростью (Race-to-Idle) и сопоставлялись с максимально возможным количеством ядер (справедливое планирование), чтобы свести к минимуму потребление энергии. При современном оборудовании этот метод стал неэффективным из-за мощностных характеристик платформ. Вместо этого приложения должны использовать оптимальное сочетание тактовой частоты и количества ядер, чтобы сбалансировать динамическую и статическую мощность. Таких подходов было трудно достичь, поскольку распределение ресурсов основано только на использовании ЦП. Затем ресурсы распределяются для предотвращения чрезмерного использования, а не для выполнения требований к производительности программного обеспечения. Регулируя тактовую частоту непосредственно в соответствии с требованиями программного обеспечения и активируя ядра ЦП в соответствии с параллелизмом приложений, можно значительно сэкономить энергию за счет снижения средней рассеиваемой мощности.Чтобы обеспечить выполнение этих рекомендаций, в этом документе представлены средства выражения производительности и параллелизма в приложениях для более тесной интеграции с управлением питанием, чтобы сбалансировать скорость выполнения и сопоставление в многоядерных системах. Интерфейс между приложениями и аппаратными ресурсами предоставляется в сочетании с новой системой управления питанием под названием Bricktop. Пример обработки сигналов демонстрирует реальную экономию энергии до 50 % без снижения производительности.

Помимо мощности и производительности, еще одним полезным показателем для изучения процессоров является количество потребляемой мощности. Мощность — это ценный товар, особенно в мобильных или встроенных средах, а также в фермах серверов. В этих областях процессоры с меньшим энергопотреблением ценятся выше, чем процессоры с большими возможностями и более высокой производительностью.

Основной проблемой ферм серверов, подобных тем, которые использует Google, является мощность. [1]

Сокращение количества потребляемой энергии без снижения производительности компьютерной системы — одна из главных задач компьютерных наук. [2]

Содержание

Закон гена [ редактировать | изменить источник ]

Менее известен закон Мура, чем закон Джина, названный в честь Джина Франца. Согласно закону Джина, рассеиваемая мощность встроенных DSP-процессоров будет уменьшаться вдвое каждые 18 месяцев.

Две причины снизить мощность [ edit | изменить источник ]

Мощность, используемая микропроцессором, вызывает 2 проблемы. Некоторые методы снижают только пиковую мощность; некоторые другие методы снижают только среднюю мощность.

Проблема пиковой мощности [ edit | изменить источник ]

  • Вся мощность, используемая микропроцессором, в конечном итоге преобразуется в тепловую энергию. Если внутри микропроцессора накапливается слишком много тепловой энергии, температура поднимется достаточно высоко, чтобы разрушить микропроцессор.

Эта проблема решается системой охлаждения, которая заменяет эту проблему другой проблемой:

  • Чем выше пиковая мощность, используемая микропроцессором, тем выше первоначальные затраты на систему охлаждения, необходимую для предотвращения самоуничтожения этого процессора.

Проблема средней мощности [ edit | изменить источник ]

  • Чем выше средняя мощность, потребляемая микропроцессором, тем выше затраты на человека, использующего этот микропроцессор. Этот человек должен не только платить за электроэнергию, поступающую в микропроцессор, но и платить за охлаждение, чтобы перекачивать отработанную тепловую энергию от микропроцессора во внешнюю среду.

В некоторых ситуациях есть и другие причины для снижения мощности:

  • Разработчикам ноутбуков нужен небольшой и легкий ноутбук. Чем выше средняя мощность, используемая микропроцессором, тем тяжелее должна быть батарея для заданного времени работы.

Нагрев [ редактировать | изменить источник ]

В микропроцессорах мощность в основном рассеивается в виде тепловой энергии. Это преобразование в тепловую энергию зависит от размера проводов и транзисторов, а также от рабочей частоты процессора.

По мере того, как транзисторы становятся меньше, область истощения уменьшается, и ток протекает через транзистор, даже когда он выключен. Эта утечка производит дополнительное тепло и расходует дополнительную энергию.

Нагрев также может привести к расширению материалов, что может изменить электрические характеристики крошечных транзисторов и проводов.

Многим небольшим микроконтроллерам не нужно беспокоиться о нагреве, поскольку они выделяют очень мало тепла, но более крупные современные процессоры общего назначения, как правило, должны сопровождаться радиаторами и вентиляторами для охлаждения процессора. Если процессор слишком сильно нагревается, обычно его можно снизить до более низкой тактовой частоты, чтобы предотвратить накопление тепла.

Поскольку мощность является функцией квадрата напряжения, приблизительно, если вы можете уменьшить напряжение источника питания наполовину, вы можете уменьшить рассеиваемую мощность, возможно, на три четверти. Из-за этого микросхемы микропроцессоров довольно часто разрабатываются для работы при напряжениях, которые когда-то считались невероятно низкими. Первые микропроцессорные микросхемы Intel 8080 и Motorola MC6800 были рассчитаны на работу при напряжении 5,0 вольт. Более современные микропроцессоры, такие как чипы AMD Athlon K7, рассчитаны на работу при напряжении 1,65 В или даже ниже.

Следует отметить, что во избежание неконтролируемого перегрева многие современные микропроцессоры общего назначения динамически отключают части микросхемы. Компьютер, который используется для чисто целочисленных вычислений, не нуждается в своем блоке с плавающей запятой, поэтому питание всего FPU, за исключением, возможно, стека регистров, отключается. Таким образом, основные части микропроцессора могут включаться и выключаться несколько раз в миллисекунду. Несмотря на то, что это снижает среднее энергопотребление и тепловыделение, оно предъявляет чрезвычайные требования к источнику питания для чипа, что может привести к скачку энергопотребления на 50 % за микросекунды.

Читайте также: