A Conditional Branch Predictor Based on Weightless Neural Networks

A previsão de desvio condicional permite a busca especulativa e a execução de instruções antes de saber a direção de instruções condicionais. Como em outras áreas, as técnicas de aprendizado de máquina são uma abordagem promissora para a construção de preditores de desvio, como por exemplo, o preditor Perceptron. No entanto, essas soluções tradicionais exigem grandes tamanhos de entrada, o que impõe uma considerável sobrecarga de área. Esta dissertação propõe um preditor de desvio condicional baseado no modelo de rede neural sem peso WiSARD (Wilkie, Stoneham e Aleksander's Recognition Device). O preditor baseado em WiSARD implementa one-shot online training projetado para abordar a previsão de desvio como um problema de classificação binária. Este trabalho compara o preditor baseado em WiSARD com dois preditores do estado da arte: TAGE-SC-L (TAgged GEometric - Statistical Corrector - Loop) e o Multiperspective Perceptron. A avaliação experimental mostra que o preditor proposto, com um tamanho de entrada menor, supera o preditor baseado em perceptron em cerca de 0,09% e atinge precisão semelhante à do TAGE-SC-L. Além disso, foi realizada uma análise de sensibilidade experimental para encontrar o melhor preditor para cada conjunto de dados e, com base nesses resultados, projetaram-se novos preditores especializados usando uma composição de parâmetros específica para cada conjunto de dados. Os resultados mostram que o preditor especializado baseado em WiSARD supera o estado da arte em mais de 2,3% no melhor caso. Ademais, por meio da implementação de classificadores de preditores especializados, descobriu-se que utilizar 90% do preditor especializado para um conjunto de dados específico rendeu desempenho comparável ao preditor especializado correspondente.