Технологическое прогнозирование. Методология технологического прогнозирования на примере микропроцессоров позднего поколения с прогнозированием
Автор: Белозеров Р.А.
Журнал: Теория и практика современной науки @modern-j
Рубрика: Основной раздел
Статья в выпуске: 6 (84), 2022 года.
Бесплатный доступ
В настоящее время Российские исследования в области прогнозирования технологий в большинстве случаев используют метод Форсайта, который не является инструментом прогнозирования, хотя в основе его лежат некоторые методы прогнозирования, является скорее методом научно-популярной публицистики, чем действительно важным статистическим наблюдением. В данной статье автор рассказывает о методах технологического прогнозирования, отличных от метода Форсайта с примером на основе микропроцессоров. В работе будут продемонстрированы результаты исследования позднего поколения микропроцессоров, будет сделан прогноз на дальнейшее развитие. Прогнозирование осуществлялось с помощью кривой Гомперца.
Технология, технологическое прогнозирование, кривые роста, инновация, форсайт
Короткий адрес: https://sciup.org/140295134
IDR: 140295134
Текст научной статьи Технологическое прогнозирование. Методология технологического прогнозирования на примере микропроцессоров позднего поколения с прогнозированием
Введение: в предыдущей работе была выстроена методология технологического прогнозирования и был представлен результат работы данного подхода. В этой работе пойдет речь о более передовых версиях процессоров, а также о прогнозировании их. Воспользуемся прошлой системой данных.
Данные были собраны за 49 лет ( 1971-2020 годы) и представляют собой:
-
1) Тактовая частота процессора - чем выше тактовая
частота, тем быстрее работает ваш процессор. Ваш процессор каждую секунду обрабатывает множество команд различных программ (в форме низкоуровневых расчетов, таких как арифметические операции). Тактовая частота определяет количество циклов, выполняемых процессором за секунду и измеряется в гигагерцах (ГГц).
-
2) Разрядность процессора - количество бит в обрабатываемых им числах. Эта техническая характеристика процессора является одной из самых важных и определяет его быстродействие.
-
3) Ядра процессора -это часть процессора, отвечающая за выполнение одной последовательности команд; соответственно, наличие нескольких ядер позволяет CPU работать одновременно с несколькими задачами, что положительно сказывается на производительности.
На основании этого мы проведем первичную кластеризацию наших данных. Полученные группы: 64bit, 2core, 3core, 4core, 6core, 8core, 12core, 16core, 32core, 64core.. 64bitpofunk, 2corepofunk, 3corepofunk, 4corepofunk, 6corepofunk, 8corepofunk, 12corepofunk, 16corepofunk, 32corepofunk, 64corepofunk. Мы отбрасываем 4bitpofunk, 32corepofunk, 64corepofunk так как их исследования связаны с определенной трудностью. Для остальных категорий получим коэффициенты, функцию и коэффициент детерминации. В таблице представлены наши коэффициенты, полученные с помощью двух методов: алгоритма Левенберга-Марквардта и алгоритма Гаусса-Ньютона.
Разрядность/ядра процессора |
Формула |
64bit |
Y1 = (LOG(4,9639)-0,0216133*t) |
2core |
Y1 = (LOG(2,31104)-0,0432014*t) |
4core |
Y1^11 = (LOG(3,3961)-0,0178784*t)^11 |
6core |
(Y1)^2 = (LOG(0,831956)-0,0336899*t)^2 |
8core |
Y1^3 = (LOG(1,83068)-0,0180778*t)^3 |
10core |
Y1^3 = (LOG(2,24928)-0,0963735*t)^3 |
12core |
Y1 = (LOG(1,2437)-0,00964573*t) |
16core |
Y1 = (LOG(1,52538)-0,00666109*t) |
Таблица 1 - Формулы для каждой разрядности процессора/количество ядер, где t=(1,2,
Y = In
621),

Далее нам необходимо согласно методологии рассчитать коэффициенты для построения функций.
Разрядность/ядра процессора |
b |
k |
64bit |
4,9639 |
0,021613 |
2core |
2,31104 |
0,043201 |
4core |
3,3961 |
0,017878 |
6core |
0,831956 |
0,03369 |
8core |
1,83068 |
0,018078 |
10core |
2,24928 |
0,096374 |
12core |
1,2437 |
0,009646 |
16core |
1,52538 |
0,006661 |
Таблица - 2 Коэффициенты функций b и k
Можно заметить, наши функции достаточно точно описывают наши кластеры, но все еще не хватает одного параметра L. Исходя из метода отсутствует часть коэффициентов L, но их возможно предсказать. Воспользуемся регрессионным анализом. Полученная регрессионная модель будет иметь вид: L = sqrt(-3,85709E6 + 826128*t^2). Используя модель, можно получить результаты:
t |
L |
1 |
35 00 |
2 |
53 00 |
3 |
63 00 |
4 |
68 85 |
5 |
79 41 |
6 |
88 74,57 |
7 |
98 03,43 |
8 |
10 728,9 |
Таблица - 6 Предсказанные значения L где t – номер кластера.
Далее используя выбранный метод, получим результаты моделей и построенные прогнозы. Результаты действия моделей и полученных прогнозов представлены на графике 1.

июн.23
32bit ^^^^^w64bit ^^^^^e 2core ^^^^^ ■ i4core ^^^^^e 6core
8core ^^^^^w 12core ^^^^^e 10core ^^^^^™ 16core
График 1 - по всем функциям согласно разрядности ядер
На графике 1 можно посмотреть на процесс увеличения мощности процессора:
-
1) Переход технологии от 32bit к 64bit и затем к 2core процессорам
-
2) Переход от 2core и к последующим кластерам процессоров.
Также был получен прогноз до декабря 2023 года. Как можно заметить, есть возможность построить прогноз для 32 ядерных и 64 ядерных процессоров, но это связанно с трудностью построения данных моделей из-за случайного характера коэффициентов k и b.
Таким образом был рассчитаны результаты работы и получены прогнозы до декабря 2023 года. Все результаты были перечислены на графике и также выведены в таблицы.
Список литературы Технологическое прогнозирование. Методология технологического прогнозирования на примере микропроцессоров позднего поколения с прогнозированием
- Ayres R. U. Technological Forecasting and Long-Range Planning. New York. McGraw-Hill 1969.
- Lenz RC Jr (1962) Technological forecasting, US Air Force, Cameron station, Alexandria, Virginia.
- Martino JP (1993) Techology forecasting for decision making, vol. 3, 3rd edn, McGraw-Hill, Inc.
- Martino JP (2003) A review of selected recent advances in technological forecasting. Technol Forecast Soc Chang 70(8):719-733.
- Martino JP (1980) Technological forecasting-an overview. Manage Sci 26(1):28-33.
- Наука и инновации No7 (113) 2012 Litres, 20 мая 2017 г.