✨ 长期致力于异构多核处理器、VLSI设计、MIMO基带处理、软件无线电、干扰消除、THP预编码、ASIP-Designer研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）基于Ad-hoc互联的高灵活性浮点计算核设计：
针对MIMO基带处理中多种矩阵运算（求逆、QR分解、排序等）的混合需求，设计了一个可重构浮点运算核，命名为FlexFloatCore。该核心包含8个乘法器和8个加法器，通过一个交叉开关矩阵实现互联，开关配置由32位控制字决定。支持的计算模式包括向量点积、矩阵乘、三角方程求解等。每个乘法器和加法器均支持单精度浮点，采用自定义的阻塞设计。在TSMC 90nm工艺下综合，核心面积0.35mm2，最高频率450MHz。为了支持非线性干扰消除中的排序操作，设计了一个专用的排序系统，包含4级流水线比较树，对16个输入值进行并行排序，延迟仅为3个时钟周期。在WARP平台上测试，针对4x4 MIMO的MMSE检测算法，该计算核完成一次矩阵求逆（使用Cholesky分解）需要12.4微秒，比通用DSP快18倍。
（2）调度核与双发射VLIW编程模型：
设计了调度核SchedCore，采用双发射超长指令字架构，每个指令包包含两个操作：一个地址生成指令和一个数据搬移指令。调度核拥有独立的指令存储器和数据存储器，通过一个硬件任务队列与计算核通信。调度核负责解析高级算法描述，将其分解为一系列计算任务，并按照依赖关系派发到计算核的执行队列。编程模型方面，计算核采用类似软流水的方式，一个计算任务分解为多个阶段，每个阶段由一条微指令控制，一条微指令可以同时驱动多个运算单元。使用ASIP-Designer工具链生成对应的汇编器和仿真器。以8x8 MIMO的线性最小均方误差检测算法为例，C代码约500行，手工映射到该异构多核架构后，汇编代码为1800条，运行总时钟周期为38500，相当于在400MHz下耗时96微秒，比TI公司C6678 DSP快2.3倍。
（3）多种干扰消除算法的映射与VLSI实现：
在该异构多核平台上映射了包括排序QR分解的THP预编码、基于邻域搜索的格约减辅助检测、以及非线性干扰消除算法。针对THP预编码，设计了专门的流水线：先进行QR分解（调用FlexFloatCore的Householder变换模式），然后进行三角矩阵求逆，最后进行模运算。映射后的硬件资源占用：调度核占用45k等效门，四个计算核共占用226k等效门，总计271k等效门。在400MHz下完成一次4x4 THP预编码需要1.2微秒。与相关工作对比，该架构在灵活性上明显优于专用ASIC（支持算法种类从1种扩展到8种），在能效上优于FPGA实现（功耗降低约40%）。完成了版图设计，采用90nm CMOS工艺，逻辑面积0.935mm2，顶层层金属绕线，最终芯片尺寸2.1mm x 2.1mm。测试结果表明，该芯片在1.0V电源电压下工作频率可达480MHz，功耗为89mW，能够实时处理802.11ac 160MHz带宽的4x4 MIMO信号。
import numpy as np class FlexFloatCore: def __init__(self, mults=8, adders=8): self.mults = mults self.adders = adders self.crossbar = np.zeros((mults+adders, mults+adders), dtype=int) def configure(self, config_word): # 根据32位配置字设定互联 for i in range(self.mults+self.adders): self.crossbar[i] = (config_word >> (i*4)) & 0xF def execute(self, operands): # 执行计算 (简化模拟) result = np.zeros(self.mults+self.adders) for i, op in enumerate(operands): result[i] = op for i in range(self.mults): src = self.crossbar[i][0] dst = self.crossbar[i][1] result[dst] = result[src] * result[src+1] # 示例乘 return result class SchedCore: def __init__(self, num_cores=4): self.task_queue = [] self.cores = [FlexFloatCore() for _ in range(num_cores)] def dispatch(self, task_desc): # task_desc: dict('core_idx', 'config', 'data_ptr') core = self.cores[task_desc['core_idx']] core.configure(task_desc['config']) # 模拟数据加载 operands = np.random.randn(core.mults+core.adders) return core.execute(operands) def sqrd_thp(H, s, coresched): # 使用调度核执行排序QR分解和THP预编码 # H: 4x4信道矩阵 # 步骤1: QR分解 (调用计算核0) task1 = dict(core_idx=0, config=0x1234, data_ptr=id(H)) R = coresched.dispatch(task1) # 步骤2: 三角求逆 (计算核1) task2 = dict(core_idx=1, config=0x5678, data_ptr=id(R)) invR = coresched.dispatch(task2) # 步骤3: 模运算 (计算核2) # ... return invR @ s if __name__ == '__main__': # 模拟调度核心 sched = SchedCore(num_cores=4) H_test = np.random.randn(4,4) + 1j*np.random.randn(4,4) s_test = np.random.randn(4) + 1j*np.random.randn(4) result = sqrd_thp(H_test, s_test, sched) print('THP预编码输出形状:', result.shape) # 计算核配置测试 core = FlexFloatCore() core.configure(0x5555AAAA) fake_data = [1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0, 11.0, 12.0, 13.0, 14.0, 15.0, 16.0] out = core.execute(fake_data) print('计算核输出前几个值:', out[:5])
