Search Nodes Non-Search Nodes
5.5 スケーラビリティ評価
以上のすべてのSearch Direction Decision評価結果をまとめたものを表5.4に示す．
その結果，機能OFF-Top-と機能OFF-Bottom-の結果にはあまり差が無く，機能ON で は，探索した全てのP E で”機能 OFF”と比べて改善が見られた．また機能ONの結果は，” 最適方向”とほぼ同等の結果であるが，パイプライン数P E が増加した場合は，正しい探索方 向が選択できないDAGも発生する．
表5.4 枝刈り手法評価 : Search Direction Decision
探索方向/ PE= 2 4 6 8 10
最適方向Decision 99% 70% 49% 46% 47%
機能ON 99% 69% 49% 46% 42%
機能OFF -Top- 99% 56% 35% 30% 33%
機能OFF -Bottom- 99% 56% 39% 30% 34%
表5.4では，600秒以内に40%以下のDAGがマッピング探索解を得ている．また，この機 能を適用した探索結果は，一方向からのみの探索よりも発見率が高かった．さらに，最適方向 からの探索と比較して遜色がない結果となった．これにより，Search Direction Decisionが マッピング探索解を早期に発見するのに役立つことが分かった．
5.4.3 枝刈り手法評価のまとめ
以上2つの枝刈り手法を評価した結果，様々なパラメータのパイプライン型アーキテクチャ において，枝刈り手法がマッピング探索解の発見率向上と探索時間の短縮に有効であることが 分かった．これにより，短時間で多くのマッピング解を発見可能となった．
にマッピング探索解を発見したDAG数を調べた．
5.5.1 パラメータ変動評価
様々なパイプライン型アーキテクチャに対して評価を行うため，各PE におけるALU数 (ALU)，パイプライン段数であるPE数(P E)，配線パターン数(P EC)の3つのパラメータ を変動させて評価を行う．以下に，それぞれのパラメータを変更させた場合の結果を示す．図 では，横軸を時間，縦軸をマッピング探索解の得られたDAG数としている．つまり，グラフ 上の値は，ある時間内にマッピング探索解が得られたDAGの総数を示している．
0 10 20 30 40 50 60 70 80 90 100
0 200 400 600 800 1000 1200
探 索 解 発 見 率 探 索 解 発 見 率 探 索 解 発 見 率 探 索 解 発 見 率
Time
（秒） （秒） （秒） （秒）
ALU = 2 ALU = 4 ALU = 8 ALU = 16 ALU = 32
図5.28 ALU数毎のマッピング解発見率
図5.28はALU を変動させた評価結果である．このとき，P E = 4，P EC = 2として評価 を行った．
ALU = 2,4ではごく短時間で100%の探索解発見率となり，ALU = 8では，約90%が短 時間に探索解を発見し，探索開始方向を間違えたと考えられる残りのDAGの解については，
探索方向を切り替える600秒時点で解を発見している．ALU = 16,32では，解発見率は著し く低下するという結果が得られた．これにより，ALU = 8以内のパイプライン型アーキテク チャでは，短時間で高い解発見率が見込める一方で，ALU = 16以上のALU値については提 案手法は有効に機能しない事が分かった．
0 10 20 30 40 50 60 70 80 90 100
0 200 400 600 800 1000 1200
探 索 解 発 見 率 探 索 解 発 見 率 探 索 解 発 見 率 探 索 解 発 見 率
Time （秒） （秒） （秒） （秒）
PE = 2 PE = 4 PE = 6 PE = 8 PE = 10
図5.29 PE数毎のマッピング解発見率
図5.29では，PE数を変動させた評価結果を示している．このとき，ALU = 8，P EC = 4 として評価を行った．
P E = 2ではごく短時間で 100%の探索解を発見しており，残りのP E = 4,6,8,10では，
探索開始直後の解発見率に差があるものの，その後の1200秒で20%から30%の解発見率向 上がなされている．特にP E = 6,8,10の結果は類似しており，PE値の増加による探索範囲 増大の影響が少ないという結果が得られた．
これにより，PE値を増大させても提案手法は有効であるという結果が得られた．
0 10 20 30 40 50 60 70 80 90 100
0 200 400 600 800 1000 1200