更新时间：2026-08-17 00:03:41
已登记
详细信息
-
知识产权名称
扩展矩阵流水线优化实验数据
-
登记编号
DIP2025000001352
-
申请人
杭州重红科技有限公司
-
登记类型
首次登记
-
登记有效期
3年
-
申请时间
2025-03-18 13:37:35
详细信息
-
所属行业
制造业
-
交易状态
待交易
-
数据规模
785
-
更新频次
按需更新
-
应用场景
本数据适用于人工智能（AI）计算、深度学习加速、高性能计算（HPC）等领域，涵盖深度学习训练与推理、科学计算、边缘 AI 低功耗优化等应用。其适用条件包括支持向量化计算（SIMD, Tensor Core, AVX512）的硬件环境（如 GPU、TPU、NPU、AI ASIC、FPGA），以及支持FP16/INT8 低精度计算和块矩阵优化（Tiling & Blocking）的算法框架（如 TensorFlow、PyTorch、TVM）。适用对象包括AI 硬件厂商（NVIDIA、Google TPU、华为 Ascend）、深度学习框架开发者、云计算服务商（AWS、Azure）、自动驾驶和机器人 AI 计算，可用于优化 AI 训练与推理吞吐量，降低计算延迟，提高能效比。本数据不适用于传统 CPU 计算优化、非矩阵计算任务（如事务处理、Web 服务器优化）、低功耗微控制器（MCU），也不适用于隐私计算或加密计算等特定安全领域。该数据及算法可有效解决深度学习计算优化、AI 训练加速、边缘 AI 低功耗推理、大规模 HPC 矩阵计算等问题，提高 AI 计算芯片的整体性能。
-
算法规则简要说明
能效比=计算吞吐量(TFLOPS)/功耗（W）*100 能效比衡量的是 每瓦功耗可以提供的计算能力，单位通常为 GFLOPS/W（每瓦特的十亿次浮点运算） 计算吞吐量 (TFLOPS)：表示芯片在矩阵流水线计算中的实际浮点运算能力，单位是 TeraFLOPS（每秒万亿次浮点运算）。 功耗 (W)：芯片运行时的实际功耗，单位是 瓦特 (W)。 由于不同的计算精度（FP32、FP16、INT8）对能效的影响较大，根据综合数据取均值可近似得出：FP32 功耗较高，基础功耗为 400W。FP16 计算相对节能，基础功耗为 300W。INT8 计算最节能，基础功耗为 200W。
-
更新频次
按需更新
-
存证平台
浙江省知识产权区块链公共存证平台
