CGRA 可重构阵列:PE 阵列数据流、映射编译与 FPGA 的本质区别
更新时间:2026-09-29。本篇是芯片设计架构主题里的加速器进阶篇:前面我们已经在 FPGA 与 ASIC 怎么选 里讨论过位级可重构的成本,在 CORDIC 旋转器 里见过「一个算核迭代多拍」的数据流形态。CGRA(Coarse-Grained Reconfigurable Architecture,粗粒度可重构架构)正好卡在二者之间:比 FPGA 粗、比 ASIC 软,靠「配置少量、重构极快」在 AI、基带、信号处理这类循环密集型负载上抢出了一块生态位。
本文要回答的问题
- CGRA 的 PE(处理单元)阵列到底长什么样,每个 PE 里有什么、PE 之间怎么连?
- 「粗粒度」相对 FPGA 的「细粒度」省下了什么,又牺牲了什么?
- 一个软件循环怎么被编译器映射成阵列上的空间流水,II(启动间隔)是什么、由什么决定?
- 时域映射(Time-Space Mapping)怎么画,映射失败通常卡在哪个资源上?
- 工程上什么时候选 CGRA、什么时候还是该上 FPGA 或干脆 ASIC?
一、PE 阵列解剖:一个「可换功能的 ALU 网格」
CGRA 的基本单元是 PE,典型构成是:一个字级(16 位或 32 位)ALU、一个小型本地寄存器堆(8~32 项)、一个配置存储器(存若干份「上下文」),外加输入输出多路选择器接到相邻 PE 的路由总线上。注意和 FPGA 的 LUT 不同:PE 的算子是「加法、乘法、移位、逻辑、比较」这种整字操作,配置一位操作码就切换功能,而不是用 6 输入查找表去综合任意布尔函数。
这张图把 CGRA 的基本面貌画全了,值得逐点解读的有三点。第一,互连是稀疏的:多数商用/学术 CGRA(ADRES、Plasticine、Cool Mega Array 系)用最近邻 Mesh 加少量行/列旁路总线,而不是 FPGA 那种全局可编程布线海——这直接决定了布线资源只占芯片面积的一小半以下,但也意味着「映射不上」的首要原因往往是路由拥塞而不是 PE 不够。第二,配置存储器里存的是「上下文(context)」:每份上下文是一张完整的「每个 PE 干什么、数据从哪来」的表,切换上下文只需几十个周期,于是 CGRA 可以在一个视频帧的「色彩转换核」和「DCT 核」之间逐行切换,FPGA 做同样的事要部分重配置,毫秒级。第三,只有边界 PE 能直访存储器,数据以流的方式从阵列边缘灌入、从另一边缘流出——这就是「空间数据流」这个词的物理含义。
二、粗粒度 vs 细粒度:与 FPGA 的逐项对照
「粗」省掉的是配置位和布线开销。一个 6 输入 LUT 加触发器加布线开关盒,在 FPGA 里要几十到上百个配置 SRAM 位来描述;CGRA 一个 PE 每拍只需要几十位(操作码 4~6 位 + 源选择 + 立即数)。量级上,映射同一个 FIR 滤波器,FPGA 配置位在十万位级,CGRA 在千位级——差两个数量级,这就是「重构快」和「配置存储器能做在片上、能做双缓冲」的根本原因。
代价是表达力:位级位操作、怪异位宽(比如 5 位饱和计数器)、深度流水的小组合逻辑,这些 FPGA 的长项 CGRA 都做不好。一个字级 ALU 去做 1 位比较,等于用 32 位硬件干 1 位的活,面积效率立刻塌掉。还有一个隐蔽代价是「上下文数量天花板」:片上配置存储器每 PE 通常只放 4~16 份上下文,能常驻的循环核总数被这个数卡死,想跑更多核就得从外部存储器换入,一旦换入频率高起来,重构快的优势就被配置搬运开销吃回去了。这也是为什么 CGRA 芯片都配一个不算小的配置缓存和预取逻辑,把「下一个核的上下文」提前藏在当前核执行的阴影里。
| 维度 | FPGA(细粒度) | CGRA(粗粒度) | ASIC(固定) |
|---|---|---|---|
| 最小可配置单元 | LUT(位级) | 字级 ALU(16/32 位) | 无(流片定死) |
| 配置位规模 | 百万~亿位 | 千~万位/上下文 | 0 |
| 重构时间 | 毫秒级(部分重配置) | 几十~几百周期 | 不可重构 |
| 互连 | 全局可编程布线海 | 近邻 Mesh+旁路 | 定制 |
| 位级/非规则逻辑 | 强项 | 很差 | 强项 |
| 字级循环核(MAC 密集) | 中(DSP Slice 补) | 强 | 最强 |
| 编译工具链 | 综合+P&R,小时级 | 模调度映射,秒~分钟 | — |
| 单位面积能效 | 1x(基线) | 3~10x | 10~100x |
一句话概括这张表:CGRA 用「放弃位级灵活性」换「配置信息密度」,在 FPGA 和 ASIC 之间占住「字级、规则、循环密集」这一段负载。数据通路的握手约定上,CGRA 的内部流通常是静态调度(编译期就定好每拍谁给谁发),不像 valid-ready 握手 那样跑时反压——这也是它省面积的一环,后面映射一节会看到代价。
三、映射编译:把循环摊到空间和时间两个维度
CGRA 没有指令流(或只有极弱的控制),软件写的循环必须被编译器摊平到阵列上。核心技术是模调度(Modulo Scheduling):把循环体的数据流图(DFG)按一个固定的节奏 II(Initiation Interval,启动间隔)重复排布,每 II 拍发射一次新迭代。II 的意义和 CPU 流水线的 CPI 类似:II=1 表示每拍都能吞一个新迭代,阵列满负荷;II=3 表示每 3 拍才能进一个新迭代,三分之二 PE 在等。映射吞吐的账也很好算:阵列吞吐 ≈ 每迭代算子中真正干活的 PE 数 / II,所以压 II 是编译器的唯一目标函数。
两个下界要分清。ResMII(资源约束最小 II):循环体有 12 个算子、阵列每拍只能并行执行 4 个(4 个可用 PE),那 II 至少是 3。RecMII(递归约束最小 II):循环里有跨迭代依赖环,比如 a[i] = a[i-2] * b + c 这条链,环上总延迟除以迭代距离决定了再宽的阵列也压不下去的下界——这和 CORDIC 旋转器 里「迭代必须串行」是同一类约束。编译器先取两者较大者作为目标 II,放置路由失败就把 II 加一重来,II 越大时间维度越宽松、越容易成功,代价是吞吐下降。这个「II 松弛」重试循环就是 CGRA 编译器和 FPGA 布局布线工具的本质区别:后者以小时计、以时序收敛为目标,前者以秒计、以 II 收敛为唯一目标。
四、时域映射图:同一 PE 不同拍干不同的事
CGRA 的 PE 不是钉死一个功能的:第 t 拍做乘法、第 t+1 拍可能就做加法,配置存储器按 II 为周期轮转上下文。所以描述一个映射要用「模调度保留表(Modulo Reservation Table)」——横轴是 PE、纵轴是拍对 II 取模。
这张图揭示了 CGRA 效率分析的核心口径:8 个算子(4 乘 4 加,含最后一级合并)摊在 4 个 PE × 2 拍 = 8 个「PE·拍」槽位上,槽位利用率 100%,II=2。但注意 PE3 在偶数拍只做透传——数据借道占了一个 ALU,这在 Mesh 阵列上是常态:路由资源不够时,编译器会把空闲 PE 当走线用。PE 利用率(算子槽位 / 总槽位)和路由占用率这两个数字,就是评估一个映射质量、乃至评估一个阵列架构是否「过瘦/过胖」的主要指标。学术界的常见经验值是:映射典型 DSP 核时 PE 利用率能做到 50%~70% 就是优秀架构,因为剩下三成基本都喂给了路由。
动手调试映射时也有几条经验可循。路由失败先看是不是「长距离边」太多:DFG 里两个算子在图上隔得远、被放置到阵列两端,中间就要串三四个透传 PE,这种边一多,把目标 II 加一往往不如换放置算法的初始种子见效快。依赖环上的算子要尽量放成物理邻居,环上每多一跳路由,RecMII 就实实在在地多一拍,这是「图上看着能 II=1、映射完变 II=3」最常见的原因。乘法器如果只在部分 PE 上有(很多架构为了省面积做异构阵列,乘法器占比四分之一到二分之一),那么含乘法的环天然受限,DFG 变换(比如把乘加树重结合)往往比加 PE 更能提吞吐。
五、什么时候选 CGRA:负载画像与工程判据
把前面的结构、编译、开销合在一起,可以给出一张选型判据。
工程上有三条硬判据。其一,跨迭代依赖环要少:RecMII 高的循环(强串行)在 CGRA 上和在小核 CPU 上没区别,白搭阵列。其二,算法集合要「已知且有限」:CGRA 的编译链比 FPGA 快得多,但仍要提前为每个核生成上下文,运行期临时来一个新算子是没有救的——这是它和 GPU 的本质差异,GPU 有真指令流。其三,数据要能从阵列边缘流起来:随机访存、指针追逐型负载会把边界 PE 的存储端口打爆,II 直接被存储带宽而非算力卡住。现实中的落地形态也印证了这三条:三星 Exynos 基带里的可重构加速器、瑞萨的 DRP(Dynamically Reconfigurable Processor,16 上下文逐拍轮转)、以及一批存内/近存 CGRA 的 AI 初创芯片,负载全部落在「规则循环核 + 多模切换」这个交集里。
反过来,有三个常见误选值得点名。把 CGRA 当「便宜 FPGA」用是第一个:看到「可重构」三个字就想把所有不确定性都扔给它,结果位流解析、状态机密集的控制面代码一映射就利用率个位数,正确做法是控制面留给小核 CPU、只把算得动的循环核下放。以为「阵列越大越快」是第二个:阵列规模翻四倍,典型循环核的映射利用率往往反而下降,因为单个核摊不满、多核并行又受存储端口限制,甜点尺寸通常在 4x4 到 8x8 之间,再大就要靠阵列分簇各自跑不同核来消化。忽视验证成本是第三个:静态调度 CGRA 的正确性等价于「编译器没算错」,上下文位流的验证模型和 RTL 验证完全两套,团队里没有懂模调度的人,出问题时连 bug 在编译器还是在硬件都分不清。
六、架构变体一览:从 HyCUBE 到 Plasticine
主流的架构分歧集中在三个轴上。互连轴:纯近邻 Mesh(面积最小、映射最难)、加行列旁路总线(如 ADRES,把整行整列连成广播总线,路由容易但长线拖频率)、分层簇内全连加簇间 Mesh(映射友好、面积居中)。时序轴:静态调度(编译期定死每拍行为,无握手开销,但遇到存储延迟抖动就崩)对动态调度(PE 间跑类 valid-ready 反压,鲁棒但面积回去一截)——学术界近年以 Plasticine 为代表的空间数据流加层次化调度是中间路线。控制轴:纯数据流(无中心控制器)对带一个瘦控制核(负责循环计数、上下文切换、异常),商用芯片几乎都选后者,因为真实负载里总有 5% 的控制代码不值得占阵列。这三个轴没有全局最优,只有负载匹配:做基带的选「旁路总线 + 静态调度 + 瘦控制」,做 AI 推理的选「层次 Mesh + 静态流 + 大 scratchpad」,这也解释了为什么 CGRA 至今没有像 RISC-V 那样收敛出一个事实标准——甜点区内的分化仍然是真实的。对架构评估者来说,读一篇 CGRA 论文或一份产品白皮书,最先要找的就是这三个轴上的选择,外加两个数字:典型负载的实测 II 和 PE 利用率——只报峰值算力(TOPS)而不报映射后利用率的,基本可以打折再看。
这一篇在知识体系里的位置
本篇向上接 FPGA 与 ASIC 选型(可重构光谱的两端),横向接 CORDIC 旋转器(典型可映射循环核)、valid-ready 握手(动态调度 CGRA 的内部流控)、AMBA 总线选型(CGRA 作为 SoC 加速器的挂载面),向下为后续的 AI 加速器数据流(systolic array、脉动阵列本质上是 CGRA 的特化)和空间计算编译链铺垫。
总结
CGRA 可重构阵列用「字级 ALU + 近邻 Mesh + 片上多上下文」把重构粒度从 FPGA 的位级抬到算子级,配置信息密度高出两个数量级、切换只要几十拍;代价是只能靠模调度编译把规则循环核摊成空间流水,II 由资源下界和依赖环下界共同决定——字级、循环密集、需要现场换算法的负载(基带、AI 算子、信号流水线)是它的甜点区,位操作密集和控制流密集的负载请回到 FPGA 或 ASIC。