Onderzoekers van de Washington State University en de University of Wisconsin-Madison hebben een nieuw raamwerk ontwikkeld dat spanningsdalingen in 2.5D processing-in-memory (PIM) multi-chiplet-systemen moet beperken. Het systeem, genaamd ReVolt, maakt gebruik van een voorspellend model op basis van LSTM-netwerken om per-chiplet de voedingsspanning te voorspellen en zo proactief in te grijpen. Het onderzoek is geaccepteerd voor publicatie op het IEEE/ACM Embedded Systems Week (ESWEEK-26) en arxiv.org.
Het probleem: spanningsdaling als prestatiekiller
PIM-gebaseerde 2.5D multi-chiplet-platformen worden steeds belangrijker voor machine learning-workloads. Maar hun prestaties worden beperkt door het power delivery network (PDN), het netwerk dat elektriciteit van de behuizing naar elke transistor op de chip transporteert. Wisselende stroomvraag op chiplets veroorzaakt daarbij ruimtelijk en temporeel variërende spanningsdalingen, zogeheten voltage droops. Die leiden tot spanningsschendingen, verminderde systeemprestaties en een lagere nauwkeurigheid van ML-modellen.
Het probleem is niet nieuw, maar de schaal wel. Zo schrijft anasicom in een analyse van maart 2026 dat voltage droop uitgroeit tot "de bepalende beperking" voor datacenter-silicon. Waar huidige AI-versnellers nog werken met ongeveer 800 ampère, wordt voor de volgende generatie 1.500 ampère verwacht en mogelijk meer dan 2.000 ampère in de generatie daarna. Bij die extremen bepaalt voltage droop of een chip zijn theoretische prestaties daadwerkelijk kan leveren.
Hoe ReVolt werkt
ReVolt is een dynamisch raamwerk dat werkt met zogenaamde operation units (OU's). Het systeem gebruikt een LSTM-gebaseerde PDN-surrogaat om per-chiplet de voedingsspanning in realtime te voorspellen. Op basis van die voorspelling wordt de grootte van de operation units proactief aangepast, waardoor de stroomvraag op chipletniveau wordt gereguleerd terwijl de rekenkundige nauwkeurigheid behouden blijft.
De onderzoekers stellen dat deze aanpak spanningsdalingen voorkomt en tegelijkertijd het energy-delay product (EDP) verbetert, een maatstaf die energieverbruik en rekensnelheid combineert. Volgens de experimentele resultaten weet ReVolt spanningsschendingen te voorkomen en wordt een gemiddelde 76-voudige reductie in EDP behaald ten opzichte van bestaande vaste en dynamische OU-gebaseerde methoden, zonder dat dit ten koste gaat van de nauwkeurigheid van ML-modellen.
Het onderzoek is een samenwerking tussen chiplet-marketplace.com en Alish Kanani en Umit Y. Ogras van de University of Wisconsin-Madison.
Context: bredere uitdaging in de industrie
Het onderzoek past in een bredere trend binnen de halfgeleiderindustrie. Spanningsdalingen vormen een groeiend probleem naarmate chips krachtiger worden en meer stroom verbruiken. In een ecrionix.org wordt uitgelegd dat een slecht ontworpen PDN kan leiden tot spanningsdalingen, timingproblemen en zelfs volledige functionele storingen. De dynamische component van spanningsdaling wordt daarbij bepaald door de inductie van het stroompad en de snelheid waarmee de stroom verandert.
Ook binnen de industrie wordt gezocht naar oplossingen. Zo bespreekt semiengineering.com in een bijdrage van januari 2026 methoden zoals spanningsdalingdetectie en dynamic voltage and frequency scaling (DVFS) om de effecten van voltage droop te beperken. Daarnaast wordt er binnen de industrie breder gezocht naar oplossingen voor spanningsdalingen in chiplet-systemen.
Het ReVolt-raamwerk onderscheidt zich door de combinatie van voorspellende modellen met dynamische aanpassing van operation units, een aanpak die volgens de onderzoekers zowel spanningsdalingen voorkomt als de energie-efficiëntie verbetert.