具有机器学习能力的集成电路功率系统的制作方法

诸如专用集成电路（asic）和可编程逻辑设备（pld）之类的集成电路经常用于实现具有高吞吐量或高带宽要求的高性能应用。此类高性能应用要求这些集成电路在紧调节带和良好控制的次序之内使用准确控制的功率供给电压被供电。

现有的系统功率策略（powerpolicy）要求与功率轨关联的数据，诸如是对于功率系统和用户可用的电压、电流和温度。尽管此类供电相关的数据有可用性，但是由于大量数据的实际处理中的巨大挑战，任何收集的数据都不被利用于在线分析，其中数据的维度限制了对于系统而言提供可行动的步骤的计算能力。

常规功率系统的示例包括获取数据，但是，数据被采样和存储以供离线批量分析。数据存储不在系统之内发生，并且不会连续地在线捕获数据，这限制了对于系统而言连续监视功率轨的能力。另一个示例包括针对降压转换器的在线系统分析，但是相关的数据并不存储在系统内的存储器中，这限制了仅对递归在线方法的适用性。并且，现有的方法都没有描述通过监视过去的负载行为来预计在功率轨处的负载干扰。

本文描述的实施例在该上下文内发生。

附图说明

图1是根据实施例的说明性功率分析系统的图。

图2是根据实施例的用于操作图1中所示的功率分析系统的说明性步骤的流程图。

图3是根据实施例的说明性功率转换系统的图。

图4a是示出根据实施例的可以如何经由压缩来减少数据的图。

图4b是示出根据实施例的可以如何经由符号表示来减少数据的图。

图5a和图5b是示出根据实施例的可以如何在状态空间中表示动态信号的图。

图6a-6c是图示根据实施例的用于检测异常的机器学习方法的图。

图7a-7c是图示根据实施例的用于对不同数据类型进行分类的机器学习方法的图。

图8a和图8b是根据实施例的说明性预测控制系统的图。

图9a是根据实施例的用于表示预测控制系统的说明性前馈神经网络的图。

图9b是示出根据实施例的可以如何预测极端负载偏差的时序图。

图10示出了根据实施例的负载预测可以如何帮助减少功率供给电压偏差。

具体实施方式

本实施例涉及集成电路，并且特别地涉及使用机器学习算法解决涉及向集成电路的功率递送的各种问题的功率系统。所述功率系统可以在包括集成电路、功率转换系统以及功率数据处理器的平台上本地处理数据，或者可以在云中在平台外处理数据。将机器学习应用到向集成电路递送功率可以涉及诸如异常检测、负载预测、以及分类之类的算法的应用。功率相关的数据可以从所述系统提取、被处理成适当的形式、分析以及采取动作来解决潜在的问题。

本领域中的技术人员将认识到，可以在没有这些具体细节中的一些或所有的情况下来实践本示例性实施例。在其他实例中，没有详细地描述公知的操作，以免不必要地模糊本实施例。

图1中示出了诸如功率分析系统100之类的系统。如图1中所示，功率分析系统100可以包括耦合到与诸如云112之类的离线平台子系统的本地平台102。平台102可以包括诸如设备104之类的集成电路、诸如功率转换系统106之类的功率转换系统以及诸如功率数据处理器108之类的处理器。集成电路设备104可以是专用集成电路（asic）、中央处理器单元（cpu）、图形处理器单元（gpu）、微控制器、微处理器、诸如可编程逻辑设备（pld）或现场可编程门阵列（fpga）之类的可编程集成电路，或者其他合适类型的集成电路。

设备104可以具有一个或多个功率供给终端（有时称为功率轨）。每个功率供给终端可以从对应功率转换系统106接收功率供给电压信号。在图1的示例中，设备104可以从功率转换系统106接收功率供给电压vout但是还可以从附加的功率转换系统接收其他的功率供给电压，诸如vout'和vout''。

功率转换系统106可以是从功率供给源110接收输入功率供给电压vin的dc-dc转换器（作为示例）。以这种配置方式，功率转换系统106可以用于转换输入电压vin并且生成然后被递送到设备104的对应输出电压vout。功率转换系统106可以包括被配置为从功率供给提取和收集数据的数据收集块120。在平台102上收集的数据（有时称为平台数据）可以包括与在设备104（作为示例）处的电压、电流、功率、温度、模式和/或任何活动相关联的数据。数据收集块120可以包括数据减少电路，以限制需要由系统100分析的数据的量和速度。

功率转换系统106可以经由诸如总线107之类的通信总线耦合到功率数据处理器108。在功率转换系统106处收集的数据可以经由总线107被传达到功率数据处理器108以供本地处理。功率数据处理器108可以包括本地分析块122和本地功率策略块124。本地分析块122对接收的数据进行本地分析并且通过基于分析的结果指导本地功率策略块124采取合适动作来控制本地功率递送。

功率数据处理器108可以耦合到云计算子系统112，该云计算子系统112被配置为提供关于收集的功率转换数据的基于云计算的分析。云112可以包括远程分析块126和远程功率策略块128。远程分析块126可以被配置为执行更多的数据密集型分析以及将各种机器学习算法应用到从平台102或从其数据是从多个集成电路设备聚合的多个平台102接收的大容量的数据。以这种方式操作，然后远程分析块126可以通过指导本地功率策略块124在相应（一个或多个）平台处采取合适的动作来控制本地功率递送。换言之，基于本地、边缘或云的分析块可以基于分析的结果确定将采取的合适动作和/或基于数据提供更新的功率模型。

图2是用于操作功率分析系统100的说明性步骤的流程图。一般而言，本地和远程分析块被配置为执行数据处理、数据分析以及数据学习，而本地和远程策略块实现合适动作。

在步骤200处，功率转换系统106可以收集数据。在步骤202处，功率转换系统106可以处理收集的数据（例如，通过利用压缩、符号表示来减少数据等等）。

在步骤204处，可选地经减少的数据可以经由总线107馈送到数据处理器108并且由本地分析块分析。如果需要，该数据也可以被馈送到云并且由远程分析块分析。

在步骤206处，本地/远程分析块可以应用机器学习算法来帮助分析数据。例如，分析块可以被配置为执行异常检测、数据类型分类、负载预测等。

机器学习过程可以是监督式或非监督式的。在监督式的学习场景中（例如，用于分类算法），学习步骤可以是计算密集型的，并且通常在单独的学习阶段期间运行，但在学习完成之后的操作期间不需要。因此，监督式学习将更适合于驻留在（例如）云中的离线平台。数据分析和动作步骤仍将在本地处理，因为通常它们响应时间更快。

在非监督式学习场景中（例如，用于异常检测），学习步骤将在正常操作期间运行（例如，学习将持续地实时运行）。因此，非监督式学习将更适合于被分裂，使得在平台上施行时间敏感型和非计算密集型的任务，而非时间敏感型和计算密集型的任务将在云上在平台外施行。

在步骤208处，本地/远程功率策略块可以指导功率转换系统基于机器学习分析的结果而采取合适的动作。可能采取的一些示例性动作可以包括警告远程平台中的监督器系统、改变dc-dc转换器的模式或参数、改变功率系统中的其他部件的模式或参数、向设备104提供动作状态以便设备104知道发生了什么、改变vout电平或功率系统中的任何电压电平、改变设备104的操作时钟频率、不同地重新配置本地平台、预测即将到来的设备104处的加载步骤等等。

图2的步骤仅仅是说明性的并且不意图限制本实施例。现有步骤中的至少一些可以被修改或省略；可以并行执行一些步骤；可以添加或插入附加的步骤；并且某些步骤的次序可以被反转或更改。例如，可以针对递送到目标集成电路设备104的每个功率供给电压vout、vout'、…以及vout''执行这些步骤。

图3是功率转换系统106的一个合适的实现方式的电路图。如图3所示，功率转换系统106可以包括功率级300和用于控制功率级300的关联的控制电路302。功率级300可以被配置为将输入电压vin转换为对应输出电压vout。控制电路302可以包括控制器电路314、功率管理器电路316、本地存储器电路318以及数据减少电路320。在一个合适的布置中，控制电路302的所有电路可以在单个集成电路管芯上形成为片上系统（soc）。如果需要，电路302和功率级300可以共同地在单个芯片上实现。

减少电路320可以被配置为减少经由下采样、分级（binning）或抽取（decimation）收集的数据的量，以允许总线接口107以适当的速率运行。经减少的数据可以在经由路径107被传达到功率数据处理器之前本地存储在存储器318处。

控制器314可以被配置为从数据转换器310（例如，模拟到数字数据转换器）接收数据，所述数据与在vout和预定的设置点（例如，目标功率供给电压电平或标称功率供给电压电平）之间的控制误差成比例。控制器315将信号输出到功率级300，以控制输入信号vin到输出电压vout的转换。例如，控制信号可以是控制对应高功率切换设备的脉冲宽度调制（pwm）信号。在此类pwm系统中，adc采样速率可以至少与pwm信号的切换频率一样快。可以在adc310出使用200ksps（每秒千采样）到2msps（每秒兆采样）或者更高的采样速率。

功率管理器316可以从数据转换器312（例如，adc电路）接收数据。转换器312可以耦合到复用器311使得可以监视各种系统信号以进行故障检测。例如，复用器311可以接收vout、vin、功率级300中的电感器电流i1（它可以用作功率级300的输出电流的代表（proxy））；温度tj（例如，系统或诸如电感器或功率切换器之类的特定部件的温度）；等等。

功率管理器316还可以管理vout的通电和断电、处理用于故障和警告的动作以及处理诸如对监视的信号进行过滤之类的信号调节。由于与功率管理器316关联的adc312必须对若干个信号进行采样，因此它可以以比控制器314相对更低的速率提供数据。例如，可能在adc312处使用1-100ksps的采样速率。总线接口107可以传达从监视的信号采样的数据、故障警告的状态，并且可以从功率数据处理器108或其他主机微控制器接收配置命令和数据。

存储器电路318可以被配置为存储来自数据转换器310和/或数据转换器312的数据。存储器电路318可以处理经采样的数据，优选地与数据减少电路320和功率管理器316结合以借助于导出不可直接获得的信号的方式或经由减少数据的唯独的其他方法来减少数据。

图3中所示的功率转换系统106的示例性布置仅是说明性的。如果需要，系统106可以包括更多的电路部件或更少的电路部件以执行数据收集功能。电路314、316、318和320可以以其他方式互连，并且可以包括任何数量的数据转换器，以对任何感兴趣的输入数据进行采样。

在处理步骤202处（见图2）可以以各种方式减少收集的数据。作为示例，可以经由抽取、压缩、分簇、符号表示或变换来减少收集的数据，其中的每个都展示了其自身的益处和权衡。图4a是示出如何经由压缩来减少数据的图。控制adc310可以被配置为对输出电压vout进行过采样，使得纹波信息可用（见图3）。然后输出电压vout可以通过存储器电路318导出并且以减少的形式存储。如图4a中图示的那样，波形400示出了来自控制adc310的adc样本，而波形402示出了经减少的数据速率，其中每个数据点404包括pwm周期内的平均输出电压电平（例如，1.0v）和同一周期内的峰值纹波电压（例如，10mv）。在该示例中，压缩可以提供在数据大小上的5-10倍的减少。

图4b是示出可以如何经由符号表示来减少数据的图。控制adc310可以以高采样速率对输出电压vout进行采样，以捕获纹波行为。然后电压电平被分级（bin）成各种分级电平，以使得保留信号的统计量，并且使得之后对数据的分析将对于符号数据减少不变。分级电平确定可以先验地离线执行、在片上系统内（例如，在平台内）在线执行或在连接的设备上后验地执行。

数据减少可以通过利用其分配的符号表示数据来实现。这可以通过减少传输/存储所需的比特宽度在每个原始采样点处完成，或者如图4b所示，其中减少是通过仅在检测到某些电压阈值电平410和412的跨过时分配符号表示420而提供的。在图4b的示例中，当电压落到阈值410以下时，分配符号a。当电压上升到阈值410以上时，分配符号b。当电压上升到阈值412以上时，分配符号c。每个符号也可以与对应时间戳配对，以帮助跟踪（track）经采样的信号的时间行为。

动态信号可以以类似的方式减少。考虑在图5a中所示的输出电压响应，其示出了作为采样时间的函数的输出电压，出于说明性目的，以零伏特为中心。图5b示出了作为输出电压电平的函数的输出电压的改变率。作为示例，图5b的状态空间可以被划分成三个单独的区域a、b和c。区域a表示具有与标称电平的大约+/-0.05v偏差的最低的改变率。区域b表示具有与标称电平的+/-0.05到0.1v偏差的中间的改变率。区域c表示具有与标称电压电平的+/-0.1v或更多偏差的最高改变率。图5a示出了可以如何将动态信号500减少到一系列状态空间数据符号（例如，ccccccbbaaaaabbbbaa）。在图5的示例中，点510是重新设置状态，点512是第一采样符号，以及点514是最后采样符号。

此外，另外的减少可以通过仅当动态信号进入特定的区域时传达相关的符号来实现（例如，仅当在两个不同的状态空间区域之间进行穿过时，数据符号可以被加时间戳）。如果需要，诸如输出电压和在功率级处的电感器电流之类的其他信号可以在相平面上组合并且以类似的方式使用符号表示来减少（例如，可以组合许多信号和参数来形成高维度的样本，其继而可以通过任何合适的技术减少）。

在平台或云的各种部分处的处理和计算元件被配置为出于基于数据采取动作的目的对数据进行处理和分析。此类动作可以涉及分类、预测、模型识别等以提供用户反馈。此类反馈可以涉及数据可视化方法以作为结果而改进将采取的动作的能力。

将机器学习应用到soc功率递送可以涉及诸如异常检测、分类、预测以及回归之类的机器学习算法的应用。这些分析算法可以涉及根据数据被修改的模型。此类模型可以适当地采用贝叶斯方法、神经网络、深度信念网络、核函数、回归模型、k-最近邻方法等。一般而言，可以实现保留统计数据的任何类型的统计学习过程。

这些机器学习过程对整体计算系统提供技术改进。作为示例，异常检测使得能够实现用于可编程集成电路的自适应电压缩放；异常检测和回归通过自动学习动态电压和频率缩放（dvfs）轮廓（profile）来改进dvfs；异常检测允许识别在安全应用中与功率相关的攻击向量；负载预测使得能够实现更紧密的功率供给电压容差，导致更高的频率分级；以及分类通过基于分析的功率数据识别正确的功率模式来改进功率效率。这些不同类型的机器学习算法不是相互排斥的，并且可以全部实现为一个系统的部分。

为了说明异常检测的示例，考虑诸如图1中所示类型的系统100之类的系统，其中集成电路设备104具有每个都要求精密电压控制的若干高电流电压轨（例如，vout、vout'、vout''等）。作为示例，功率转换系统106可以被配置为将每个电压轨控制到在其标称电压电平的百分之几之内（例如，在1%或更少之内、在5%或更少之内、在10%或更少之内，等。）并且在不同的负载条件下有效地这样做。

每个电压轨（有时称作功率供给终端或功率供给线）可以表现出其自己单独的统计轮廓。图6a图示了一种方法，通过该方法异常检测可以用来解决自适应电压定位的问题，这对于基于fpga的系统而言是特别具有挑战性的问题，其中fpga上的有源电路配置是先验未知的。如图6a的斜坡波形600所示，电压（例如，功率供给电压或其他控制电压）可以从默认的高电压电平vhi开始并且可以减少直到机器学习算法检测到异常。当在点604处检测到异常时（即，当功率供给电压碰到阈值电压电平vanomaly时），功率轮廓可以稍微增加预定裕度δ以消除异常。裕度δ可以是5mv、10mv、50mv、100mv或其他合适的电压量。以此方式操作，对于给定的处理负载，确定安全的经减少的电压电平（vanomaly+δ），这在优化性能的同时节省了能量。

作为示例，图6b图示了对于两种主要类型的若干工作负载的两个功率供给电压vin1和vin2的双变量概率密度函数。分簇或建模识别技术可以用于在不同的工作负载之间进行区分。簇620表示正常操作条件下的功率分布，而簇622表示异常操作条件下的功率分布。因此，机器学习算法可以适应于检测何时数据从簇620切换到簇622，从而用信号表示已经达到vanomaly。

如果需要，异常检测算法也可以被配置为检测具有单个功率供给的系统的异常。如图6c所示，第一功率分布曲线610表示正常操作条件下的以电压v1为中心的功率密度轮廓，而第二功率分布曲线612表示异常操作条件下的以电压v2为中心的功率密度轮廓。在该示例中，均值和标准偏差已经在两个轮廓610和612之间移位。用于检测对于1-2个功率轨的异常的图6a-6c的示例仅仅是说明性的。一般而言，这些概念可以扩展到具有三个或更多可调节参数的应用，以检测任何合适类型的异常。

为了说明分类应用的示例，考虑为了在神经网络中进行监督式分类的目的对功率供给数据的分析。图7a中示出了用于表示两个类别或类的基础结构。如图7a中所示，神经网络表示700可以包括16个输入节点702，其连接到两个隐藏节点704（例如，第一隐藏节点708-1和第二隐藏节点708-2）。两个隐藏节点可以连接到两个输出节点706。输出节点可以具有偏置，为了清楚起见而省略该偏置。

16个输入d0-d15表示两个功率供给电压（或电流等）的2维输入数据并且可以被转换到诸如图7b的直方图之类的双变量直方图。图7b绘制了第一功率供给电压vin1对第二功率供给电压vin2。在每个交叉的电压范围处的频率被绘制用于两个不同的类别（例如，类1和类2）。如图7b中所示，类1可以展示第一二维（2d）轮廓分布，而类2可以展示第二2d功率轮廓分布。

一旦被训练，神经网络就学习适当的权重来以高达98%或更高程度的准确性来识别类别。图7c示出了在隐藏层704处的学习的权重。如图7c所示，第一权重矩阵750-1对应于针对隐藏节点708-1的类1权重，而第二权重矩阵750-2对应于针对隐藏节点708-2的类2权重。在图7c的图中，矩阵中的白色单元格（cell）可以表示一个类的绝对优势和另一个类的缺失，而矩阵中的黑色单元格可以表示该类的完全缺失或该另一个类的绝对优势地位。灰色单元格可以表示在两个极端之间的某处，其中两个类可能存在或缺失。例如，图7b和7c中的部分x图示了在该电压的特定范围内类1相对于类2的优势地位。相反地，图7b和7c中的部分y图示了在该电压的特定范围内类2相对于类1的优势地位。部分z图示了在该电压的特定范围内类2相对于类1的略微优势。

作为示例，类1可以表示针对视频数据的模式，而类2可以表示针对语音数据的模式。作为另一个示例，类1可以表示针对正常操作的模式，而类2可以表示针对异常操作的模式。换言之，分类技术还可以实现异常检测。这些示例仅仅是说明性的。一般而言，对每个类别的检测可以与针对不同类型数据的特定权重矩阵模式相匹配。如果需要，也可以将径向基函数神经网络（rbfnn）用于以类似的方式对不同的类别进行分类。

为了说明预测应用的示例，考虑图8a的前馈dc-dc转换器控制系统800，其中k表示控制器（例如，图3的控制器314），g表示功率级（例如，图3的功率级300），zo表示功率级808的输出阻抗，以及kd是前馈控制转移函数。系统的输出可以经由反馈路径812被反馈到电路802，从参考电压电平vref减去系统的输出，以对控制器级804控制。电路806可以将控制器级804的输出和前馈控制器级816组合以控制功率级808。诸如输出电流iout的负载阶跃（loadstep）之类的干扰可以经由输出阻抗zo影响输出vout。如果前馈转移函数kd被设计为诸如kd*g等于zo，则可以用对iout干扰的准确消除实现完美控制。

根据实施例，前馈控制器816可以从诸如负载预测器814之类的预测器电路导出其输入。预测器814可以被配置为从特征中学习负载的特性，使得在iout处的任何负载阶跃可以在iout干扰事件之前被预计并且被应用到前馈控制器816。如果需要，预测器级814可以可选地结合到前馈控制器816中。前馈控制器816可以是前馈控制环的部分。以这种方式，操作系统800，可以实现近完美控制。预测器814可以适当地实现为神经网络（例如，人工神经网络或径向基函数神经网络）或通过其他机器学习手段适当地实现，诸如单独或组合地使用朴素贝叶斯、k-最近邻、回归、逻辑回归和/或核方法（仅列举一些），其中可采用装袋（bagging）自举和树方法。

可以在预测器814处接收的核实的预测输入特征可以包括负载电流iout、负载电压（例如，vout或某个其他的控制电压）、负载电流/电压的统计量（诸如其平均值、中位数、模式（mode）、标准差）等。在多供给系统中，相关负载的类似信号可以充当有用的预测输入特征。与负载或负载操作的特性相关的操作负载（例如，fpga的存储器总线活动或cpu的程序计数器）也可以是有用的预测输入特征。这样，预测输入特征可以预见到将成为高度的维度。在某些情况中，可能仅需要少量的预测输入特征来准确地预测负载特性（例如，仅需要一个特征、仅需要两个特征、仅需要三个特征、仅需要四个特征等）。

图8a是图示控制系统800的结构的示意图。图8b图示了实际的硬件设置。如图8b所示，预测器814可以影响功率转换系统106的模式。预测器814可以被配置为估计针对所预计的事件的功率转换系统106的适当模式。此类模式可以是功率级的方面（例如，见图3中的功率级300），其诸如连续电流模式（ccm）、不连续电流模式（dcm）、用于选择多相转换器中的活跃相的数量的模式、用于根据效率对象/目标来分配通过各个相的电流的模式等。

图9a是用于表示结合图8a和8b描述的类型的预测控制系统的说明性前馈神经网络900的图。如图9a所示，神经网络900可以包括一百个输入节点902、十个节点的中间层904以及两个输出节点906。一百个输入节点d0-d99表示从数据点的滑动窗馈送的数据，该数据点诸如是电压轨的电流测量。类似于图7a的神经网络700，两个输入节点906还可以用于将数据分类为两个类c1或c2中的一个。在预测系统被配置为预计负载尖峰/峰值的示例中，第一类与在接下来的三个时间步长（作为示例）内跨过或超过预定阈值的电流关联，而第二类与将不会跨过预定阈值的预计的加载行为关联。

图9b示出了神经网络预测系统800的仿真结果。波形910表示（例如，输出电流iout的）以零为中心的电流测量数据。因此，图9b的绘图图示了与标称电流水平的偏差。预测器可以被配置为预计何时波形910超过预定阈值d_threshold。虚线912表示何时电流在接下来的三个时间步长内实际跨过d_threshold。线914表示神经网络的输出，其预测何时电流将在接下来的三个时间步长窗内跨过d_threshold。如图9b中所示，该预测非常密切地匹配实际行为。可以由预测系统实现99%+的训练集准确性。在x-轴上的步长740附近处，预测914不匹配实际行为912，这意味着阈值跨过被预测但是实际没有发生。在这种情况下，线914在其意识到错误之后将立即回到下面。

可以响应于预测到阈值跨过事件而采取动作。例如，预测器814可以发起如结合图8b描述的模式切换（例如，将功率转换系统配置为连续电流模式、不连续电流模式、用于选择多相转换器中的活跃相的数量的模式、用于根据效率对象/目标来分配通过各个相的电流的模式等），或在预计的事件之前的三个时间步长内高效地供给附加的电流以减轻功率供给轨处的电压偏差。

如上面结合至少图8a描述的那样，可以利用预测来通知前馈控制器816改进控制。图10示出了响应于在cpu或fpga处的负载电流阶跃的输出电压偏差。在时间t*之前，负载阶跃预测和前馈控制是活跃的，并且在时间t1-t3处的vout偏差被相当良好地控制。在时间t*处，负载阶跃预测和前馈控制被关闭。在时间t4-t6处，vout偏差相当显著。因此对具有前馈控制器816的预测器814的使用可以提供在任意数量的功率供给轨（作为示例）处的经减少的电压扰动。

可以将机器学习应用到预测电压和电流行为的图8-10的示例仅仅是说明性的。如果需要，机器学习算法可以用于监视整体系统中的任何核实的参数并且预计和减轻任何类型的不希望的动态事件。

虽然以具体的次序描述了操作的方法，但是应当理解：可以在描述的操作之间执行其他操作，可以调整描述的操作使得它们在略微不同的时间处发生，或者可以将描述的操作分配在允许以与处理相关的各种间隔发生处理操作的系统中，只要以期望的方式执行叠置操作的处理。

示例：

下面的示例涉及另外的实施例。

示例1是一种系统，包括：集成电路；功率级，其被配置为接收输入电压并且生成对应输出电压以为集成电路供电；控制电路，其被配置为提取并处理从功率级收集的数据；以及功率数据处理器，其被配置为分析数据并且基于对数据的分析来指导控制电路采取合适的动作。

示例2是示例1的系统，其中功率数据处理器可选地被配置为使用机器学习算法来分析数据。

示例3是示例2的系统，其中功率数据处理器可选地被进一步配置为使用机器学习算法来检测所述系统内的异常。

示例4是示例2的系统，其中功率数据处理器可选地被进一步配置为使用机器学习算法来将数据分类成不同的类。

示例5是示例2的系统，其中功率数据处理器可选地被进一步配置为使用机器学习算法来预测在集成电路处的加载事件。

示例6是示例1-5中的任一项的系统，其中控制电路可选地包括减少电路，其被配置为经由压缩或符号表示来减少数据。

示例7是示例6的系统，其中控制电路可选地进一步包括：控制器，其被配置为控制功率级；功率管理器，其耦合到控制器和功率数据处理器；以及存储器电路，其被配置为存储经减少的数据。

示例8是示例1-5中的任一项的系统，可选地进一步包括：预测电路，其被配置为预计加载事件并且控制功率级，其中预测器是前馈控制系统的部分。

示例9是示例1-5中的任一项的系统，其中功率数据处理器包括本地分析块，所述系统可选地进一步包括：远程分析块，其被配置为远程分析数据并且基于对数据的分析来指导控制电路采取合适的动作。

示例10是一种操作功率分析系统的方法，该方法包括：使用功率转换系统来为集成电路供电，并且在为集成电路供电的同时收集数据；使用功率转换系统来处理收集的数据；通过将机器学习应用到经处理的数据，使用功率数据处理器对经处理的数据进行分析；以及使用功率数据处理器基于对数据的分析来指导功率转换系统采取合适的动作。

示例11是示例10的方法，其中使用功率转换系统处理收集的数据可选地包括减少数据。

示例12是示例10的方法，其中将机器学习应用到经处理的数据可选地包括执行异常检测。

示例13是示例10的方法，其中将机器学习应用到经处理的数据可选地包括将数据分类成不同的类。

示例14是示例10的方法，其中将机器学习应用到经处理的数据可选地包括预测何时参数跨过预定阈值。

示例15是示例10-14中的任一项的方法，其中将机器学习应用到经处理的数据可选地包括：在功率数据处理器处执行非监督式机器学习；以及在云处执行监督式机器学习，其中监督式机器学习比非监督式机器学习更加计算密集。

示例16是一种装置，包括：集成电路；功率转换系统，其被配置为向集成电路输出功率供给电压并且进一步被配置为收集数据；以及分析块，其被配置为使用机器学习来分析收集的数据并且对收集的数据采取动作。

示例17是示例16的装置，其中分析块可选地使用机器学习来通过在收集的数据上执行异常检测来使能集成电路处的动态电压缩放。

示例18是示例16的装置，其中分析块可选地使用机器学习来通过在收集的数据上执行异常检测来识别集成电路处的攻击向量。

示例19是示例16的装置，其中分析块可选地使用机器学习来通过基于收集的数据执行负载预测来使能针对功率供给电压的更紧密的电压容差。

示例20是示例16的装置，其中分析块可选地使用机器学习来通过将收集的数据分类成不同的类来识别用于功率转换系统的合适的功率模式。

示例21是一种功率分析系统，包括：用于为集成电路供电并且在为集成电路供电的同时收集数据的装置；用于对收集的数据进行处理的装置；用于通过将机器学习应用到经处理的数据对经处理的数据进行分析的装置；以及用于基于对数据的分析来采取合适的动作的装置。

示例22是示例21的功率分析系统，其中用于对收集的数据进行处理的装置可选地包括用于减少数据的装置。

示例23是示例21的功率分析系统，其中用于将机器学习应用到经处理的数据的装置可选地包括用于执行异常检测的装置。

示例24是示例21的功率分析系统，其中用于将机器学习应用到经处理的数据的装置可选地包括用于将数据分类成不同的类的装置。

示例25是示例21的功率分析系统，其中用于将机器学习应用到经处理的数据的装置可选地包括用于预测何时参数跨过预定阈值的装置。

例如，还可以针对本文描述的方法或过程来实现上述的装置的所有可选特征。前述内容仅说明本公开的原理，并且本领域中的技术人员可以做出各种修改。可以单独实现或以任何组合实现前述实施例。