XLOOP: Architectural Specialization for Inter-Iteration Loop Dependence Patterns（MICRO2014）

[meton-robean]

Architectural Specialization for Inter-Iteration Loop Dependence Patterns

会议ppt

这个项目没有开源，但是公布了benchmark： https://github.com/cornell-brg/xloops-bmarks

创新点是根据循环的分类，自定义两种指令，其实本质是: 不是简单的新加指令，而是从指令的角度去看待，给指令增加一点新的语义信息，可以看做是一种语义标签，来使得后面的加速硬件可以识别循环内那几条特殊标记的指令，从而调度循环加速。 参考借鉴点是其对各种循环的分类角度 以及 对循环内的某些指令的区分(例如特别区分了循环中用于地址计算的 迭代计算指令 ，标记为addi.xi）

[meton-robean]

循环分类与建模

将循环分成几大类，包含可以全并行的，含有寄存器依赖的，内存依赖的，动态边界的。根据这个新增两种指令:

所以一个创新点是根据循环的分类，自定义两种指令，其实本质是: 不是简单的新加指令，而是从指令的角度去看待，给指令增加一点新的语义信息，可以看做是一种语义标签，来使得后面的加速硬件可以识别循环内那几条特殊标记的指令，从而调度循环加速。

[meton-robean]

加速架构

• 发掘迭代间的并行. 每个Lane负责某次循环迭代的执行，也就是每个lane需要执行某次迭代内的循环内的指令，类似多核的感觉，实际上每个Lane里面也确实就只有一个核通用CPU一样的ALU。

• 但是其实这种多核加速的加速比大致取决于核的数目，并不高。 好处是每个lane负责一次迭代，就算循环内有分支啥的条件语句啥的也可以想像普通CPU一样执行.

[meton-robean]

XLOOP是利用 PyMTL和Pydgin来进行硬件实现和模型仿真

[meton-robean]

无依赖可全并行的执行例子

[meton-robean]

有内存依赖的执行例子

例如 A[ i] = A[i] +A[i-k]

有内存依赖的情况， 某个Lane如果check到在其负责的迭代里面，它需要的那个数在其他lane没有算好送到它这里，那么要终止本次迭代的执行，下一次再重新执行这一次迭代的指令们