有关Arm的Helium™技术介绍，我们将转载来自Arm技术专家的Helium技术讲堂系列文章，帮助您更好地理解Helium技术用于实践中。
本文转载自 Arm 社区
当人工智能 (AI) 下沉到各式各样的应用当中，作为市场上最大量的物联网设备也将被赋予智能性。Arm® Helium™ 技术正是为基于 Arm Cortex®-M 处理器的设备带来关键机器学习与数字信号处理的性能提升。
在上期 Helium 技术讲堂中，大家了解了 Helium 技术的核心“节拍式”执行。今天，我们将共同探讨一些复杂而又有趣的交错加载/存储指令。若您想要了解如何高效利用 Helium，千万别错过文末视频，通过 Arm 技术专家的实例演示，详解 Helium 如何为端点设备引入更多智能。
Arm Helium 技术诞生的由来
数独、寄存器和相信的力量
作者：Arm 架构与技术部 M 系列首席架构师兼研究员 Thomas Grocutt
DSP 处理中一个重要部分就是对不同的数据格式进行高效处理，这些数据格式通常需要转换成不同的排列方式进行计算。图像数据就是一个很好的例子，它通常以红、绿、蓝和 alpha 像素值交错流的形式被存储。但是，为了将计算矢量化，就需要将所有红色像素放在一个矢量中，绿色像素放在另一个矢量中，以此类推。在 Neon 架构中，VLD4/VST4 指令可以执行这种转换，如下图所示。
VST4 将四个 128 位寄存器交错排列，共存储 512 位数据。Neon 架构有多种交织/去交织运算，可支持不同的格式。例如，提供的 VST2 可用于交织立体声音频的左右声道。这些指令还支持从 8 到 32 位不等的元素大小。
MVE 的“节拍式”执行的主要优点之一，是它允许内存和 ALU 运算重叠，即使在单发射处理器上也是如此。如下图所示，基于此技术要实现性能的翻倍，所有指令必须执行相同的工作量。
显而易见，重叠带来的性能提升会因 VST4 这样的宽存储指令而大打折扣。MVE 提供的解决方案是将存储空间分割成与 ALU 运算相平衡的块，每个块存储 128 位数据。MVE 允许由 VST40、VST41、VST42 和 VST43 这四条指令构成四路交织。但到此并未结束，仍有不少问题存在：
显而易见的拆分方法是让四条指令分别存储不同的数据流（例如 VST40 存储所有红色像素，VST41 存储绿色像素等）。对于 8 位像素数据，这意味着每条指令将存储 16 个非连续字节。这种访问模式对内存子系统来说非常复杂，会导致大量停滞。相反，指令需要生成大块连续请求。
要正确配合其他矢量指令，必须将寄存器文件端口设置为访问寄存器文件的行（即整个矢量寄存器），而不是列（即四个寄存器的第一个字节），如果要将数据交织存储到连续内存块中，则需要访问列。
为了避免我在上一篇内容中描述的时间跨越问题，我们需要将指令分成几个“节拍”，先读取寄存器的 [63:0] 位，然后在下一个周期读取 [127:64] 位。
解决方案必须同时适用于两路交织和四路交织，以及 8、16 和 32 位数据运算。
面对所有这些相互矛盾的限制，我们就像掉进了兔子洞，我不禁想起了《爱丽丝梦游仙境》中的情节：
爱丽丝：这是不可能的。
疯帽匠：只要你相信，一切皆有可能。
所以，让我们暂且放下怀疑的态度，仔细研究一下读取端口，看看会发生什么。
MVE 重复使用浮点寄存器文件，因此矢量寄存器（Q0 至 Q7）由每四个一组的若干组 “S” 寄存器组成。每个列多路复用器选择相同的行，然后将数据合并以访问整个 Q 寄存器（见上图）。但是，如果不能从一列中的任何寄存器中选择，而是将端口扭曲，从交替列中的寄存器中选择，如下图所示，会如何呢：
如果 8:1 多路复用器上的控制输入设置为相同值，则可读取一行数据（例如 S0 和 S1）。但是，如果使用不同的值，则可以读取一列中的一对值（如 S0 和 S4）。现在看起来似乎可行，我们能够从列和行中读取数据。如果我们把图的下面放大，并将寄存器编号替换为它们所连接的多路复用器的编号，就会得到下图结果：
这类似于一道简单的数独谜题，在重复矩阵的每一行和每一列中，每个数字只会出现一次，只不过这个矩阵是 2 x 2 的，而不是平常的 9 x 9。由于只能从一列中读取两个值，并且只能处理 32 位值（多路复用器的宽度），因此这种模式只能提供两路交织的解决方案。由于我们需要一种可处理所有交错模式和数据宽度组合的模式，因此可想象将所有组合垂直堆叠起来，得到一个多分辨率的三维数独谜题。解决一层谜题轻而易举，但解决整个三维谜题的过程一定令人叹为观止。此外，我们还需要考虑上文提到的其他限制因素，如连续内存访问，以及在不同周期内拆分对寄存器上下 64 位的访问。
经过一番思索，我意识到可以将问题一分为二：一是确定一种可在单个统一的问题空间中表示全部约束的方法，二是解决这些约束的单调任务。由于该模式类似于一个非常复杂的数独问题，而许多数独程序都是基于 SAT 解算器的，因此我产生了使用 SAT 解算器来完成单调约束求解任务的想法。经过努力，我想出了一种能表示所有约束的方法，一番调试后，第一个可行的解决方案诞生了。虽然它不完善，而且会导致多路复用器的控制逻辑难以实施，但至少胜利在望了。由于不想对解决方案进行手动清理，我们添加了一些额外的约束条件，引入了一些对称性，并产出了最终的解决方案，它竟然是一对双嵌套四重螺旋结构：
为了让大家看到嵌套的螺旋线，我在下图中标注了单个多路复用器的路径。如图所示，路径每行交替通过 32 位 “S” 寄存器（如左图所示），每两行交换通过 “S” 寄存器上下两半 16 位区域（如右图所示）。
直觉告诉我，这种扭曲的方法对于三路交织来说是行不通的，经证实我是对的，SAT 解算器正式证明无解。
这种扭曲方法意味着可以同时访问寄存器文件行和列中的数据。但问题在于，读取端口返回的字节可能顺序有误，而顺序取决于访问的寄存器。要纠正此情况，就需要使用一个交叉多路复用器，将一切交换回正确的位置。由于如 VREV 等其他指令和复数原生操作指令会用到交叉多路复用器，所以我们正好能免费使用它。这正印证了那句话：“如果你必须使用一个硬件，请物尽其用。”
下图显示了由读取端口扭曲模式衍生出的一些指令访问模式。第一种情况 (VST2n.S32) 显示从矢量寄存器 Q0 和 Q1 读取 32 位 (S32)，并将其两路交织（如左右音频通道）。图中颜色代表两条指令分别读取的寄存器部分（即 VST20 读取橙色部分），元素中的文字表示内存中存储的字节偏移。
可以发现，上述 S8 和 S16 模式都将相同的数据放在寄存器的相同颜色区域内；唯一不同的是每节中字节的排列方式。这意味着，只需在交叉多路复用器中使用不同的配置，16 位模式也能支持 8 位。这些模式也适用于加载指令所使用的写入端口。除了可以建立寄存器文件端口外，这些模式还意味着内存访问始终是一对 64 位的连续块，这样可以提高内存访问的效率。另外，这些数据块地址的第 [3] 位总是不同的，因此可以在拥有两组交织 64 位内存的系统上并行发送。
研究团队从这些指令中积累了两条重要的经验。首先，要想在 gate 数量和效率方面取得突破式进展，就必须在设计架构的同时对微架构的细节同步思考设计。其次，要保持信念，相信一切皆有可能。
您是否想要更深入了解 Helium 技术？由 Arm 物联网事业部技术管理总监 Mark Quartermain 与 Arm 物联网事业部嵌入式工具集成高级经理 Matthias Hertel 共同为大家录制了 Helium 技术视频，通过实例演示详解如何高效利用 Helium。
我们将在下一篇 Helium 文章中继续探讨以内存访问为主题的相关内容，并介绍一些实现循环缓冲的技术知识。持续关注 Helium 技术讲堂，我们下期再见！
推荐阅读
RA8D1 CEU介绍与使用说明
Helium技术讲堂 | 为何不直接采用Neon？
技术视频 | Arm Helium 技术为端点设备引入更多智能
