粗粒度可重构架构

CGRA介绍

粗粒度可重构架构 (CGRA) 是一种替代硬件平台，相比FPGA细粒度的可重构架构，由于CGRA内部的IS(ALU)模块已经构建完成（IssueSlot+RegistryFile+MUX构成的组合结构），且CGRA的interconnect也要比FPGA更简单、规模更小，其延时和性能要显著好于在门级上进行互连形成组合计算逻辑的FPGA，因此我们常讲CGRA更适合word-wise类型(32bit为单位)的可重构计算,而且可以缓解 FPGA 存在的时序、面积和功率开销问题，并有望用于未来的 高性能计算系统(HPC)。CGRA通常具有处理单元（PE）阵列以及PE之间的互连网络。每个PE由简单的算术逻辑单元（ALU）、多路复用器和小型本地存储（例如寄存器文件RF或FIFO缓冲区）组成。多路复用器从邻居 PE 发送的传入数据中选择进入 ALU 的操作数。PE阵列可以通过优化ALU的指令映射和互连来形成目标计算内核的专用流水线。

ADRES架构

在这方面，CGRA的可重构性粒度被计为word level，即ALU的位宽，如32位和64位。它比 FPGA 粗糙得多。此外，较粗的粒度降低了编译过程的复杂性，配置信息相比FPGA更少，因此可以支持动态可重构，，而FPGA属于静态可重构，从这个角度而言，编译器也可以在CGRA上应用更良好的优化。 

从另一个种角度来看，可以看出当一个ID模块与多个FU模块相连时，CGRA此时相当于一个SIMD处理器；当多个ID与多个FU相连时，CGRA相当于一个VLIW处理器，CGRA也可以看作是VLIW在2D上的一种扩展，下图所示。

通用CGRA运行的应用程序通常以循环为主，一般与其他核心共同完成相应任务，如下图所示，MorphoSys CGRA和TinyRISC共同组成一个处理系统来完成相应的复杂任务，其中CGRA复杂任务中的循环部分，而其他核心如TinyRISC复杂任务中的其他部分，因此这种方式可以比 CPU 更快、更节能地执行循环和加速，同时从上图来看，CGRA可以在循环中更好的利用数据级和指令级并行性。

A TinyRISC main processor loosely coupled to a MorphoSys CGRA array.

CGRA 根据其重新配置策略分为两类：1）空间配置的 CGRA 和 2）具有时间复用配置的 CGRA。前一种类型的 CGRA 在可重新配置的结构上形成完全管道化的数据流，并在运行时保持配置。它在计算吞吐量和重新配置开销方面具有优势，但常常面临硬件资源耗尽的问题。

后一类中的 CGRA 在重复更改配置的同时执行循环内核。他们通常以软件管道的方式同时处理多个迭代，来提高吞吐率。

通用CGRA编译流程

CGRA 的编译流程通常分为两个步骤：1）从应用程序代码中提取数据流；2）将数据流映射到 PE 阵列中。提取的数据流表示为数据流图（DFG）或控制数据流图（CDFG），并将其传递到下一步。

第一个任务是从代码中提取计算密集型内核并生成与目标 CGRA 兼容的 DFG。它被视为编译流程的前端。然后，将提取的DFG映射到PE阵列，下一步生成映射结果对应的配置文件。此过程强烈依赖于目标 CGRA，并被视为后端。

通用可重构处理器编译流程

支持OpenMP的CGRA编译流程

现有的 CGRA 编译器是基于自己的编程模型开发的，或者是专门针对某个 CGRA 的。上图所显示的是支持OpenMP的CGRA编译流程，这项研究声称提出一种独立于特定 CGRA 并面向任何 CGRA 的新编译器框架。编译采取 OpenMP offloading，这是一种标准的异构编程模型。得益于这样的标准模型，只需有限的努力即可重用 HPC 工作负载的现有源代码，因为许多源代码是用 C/C++ 或 Fortran 编写的，而 OpenMP 支持这些源代码。此外，一些 HPC 基准测试已经使用 OpenMP 实现。这项工作声称是 CGRA 在 C 语言之外使用 OpenMP 作为编程模型并使用 Fortran 作为前端语言的首次尝试。