问题标签 [von-neumann]

从命名和这篇文章我觉得答案是否定的，但我不明白为什么。瓶颈是从内存中获取数据的速度。您是否可以同时获取指令似乎并不重要。不是还要等到数据到来吗？假设获取数据需要 100 个 cpu 周期，执行指令需要 1 个，那么提前完成 1 个周期的能力似乎并没有很大的改进。我在这里想念什么？

背景：我看到这篇文章说 Spectre 错误不会因为投机执行而得到修复。我认为投机执行，例如分支预测，对哈佛架构也有意义。我对吗？我知道投机执行对冯诺依曼架构更有利，但有多少呢？谁能给个粗略的数字？我们可以说幽灵会在多大程度上因为冯诺依曼架构而存在？

冯诺依曼语言一词适用于其计算模型基于冯诺依曼计算机体系结构的编程语言。

• C++ 是否被认为是冯诺依曼语言，或者如果不是（例如，由于线程出现的异步执行），它是否曾经被认为是冯诺依曼语言？
• 是否存在 C++ 的计算模型/抽象机器所基于的架构，因此可以归类为该架构的语言？

随着我们在构建 AI 模型方面的进一步推进，冯诺依曼架构似乎有一些限制。在现实生活中，神经元大量工作，信息存储在网络中。神经元与其他神经元有数千个输入和输出连接，其中一些很弱，而另一些很强大。当它们一起发射时，会创建一个基于连接路径权重的信号，并导致其他神经元的模式作为响应而发射回来。没有存储信息的单个单元。

主要区别在于存储/检索信息和计算之间没有冯诺依曼模型中的差异。

1. 目前市场或研究部门中是否有任何使用独特架构的系统？
2. 任何人都可以简单地参考或提出一个不同的框架吗？

我正在求解一维热传导方程。

理想情况下，增加网格点的数量（nx在程序中）应该会减少我ten使用精确解Texact和数值解在最终时间计算的误差T。

误差应该随着小幅增加而减小，nx直到解稳定并遵循稳定性准则（冯诺依曼稳定性准则）。但在我的情况下，这并没有发生，并且错误随着nx.

我正在计算 和 之间的 L2_normT误差Texact。 Texact由函数计算get_exact_solution。

该图显示了不同情况下的问题。

请帮助纠正这个程序。

从冯诺依曼架构的获取解码执行周期，在基本层面上，这是我的理解：

1. 将 PC 中的内存地址复制到 MAR。
2. 个人电脑 +=1
3. MAR地址中的指令/数据从主存中取出后存储在MDR中。
4. 来自 MDR 的指令被复制到 CIR
5. 内存中的指令/数据由 CU 解码和执行。
6. 存储在 ACC 中的计算结果。
7. 重复

现在，如果将 MDR 值复制到 CIR，为什么它们都是必需的。我对系统架构很陌生，所以我可能搞错了，但我已经尽力了:)

• 我有一个尺寸为Mx的图表N。
• 我也有两点 [ X, Y]
• 和范围r

我们只能水平或垂直移动 1 个空格（我们总是必须移动）。我们的目标是找到我们可以达到的可能性总数。

在这个例子中，我们有M=5, N=4, [ X=2, Y=1] 和r=3。

我们可以看到，这r是一个奇数，所以我们正在寻找奇数。结果显然是（将所有奇数相加后）12

我首先尝试了蛮力，但它太慢了（O(n^2)）。

所以我在数学上尝试了更多。我尝试了冯诺依曼邻域算法，但我完全被困在那里。最后，我通过计算对应于xand的行中的垂直和水平计数来尝试它y（count in xis 3, count in yis 3）。

我的下一步是找到拐角并使用出租车几何r计算到达那里需要多少s。

然后我将图像分成 4 个部分（象限）。当从[X, Y]给定象限的角点的路径小于r时，只需将正方形的数量除以 2。当路径较大时，我创建r_，这由路径到角点与r →的差异决定r_ = taxicab - r。然后只需从矩形的内容中减去r_并再次除以 2。

正如我们所看到的，结果也是正确的，3 + 3 + 1 + 1 + 2 + 2 = 12.

但

在这里我问：

1. 我们仍在使用偶数和奇数，因此在将奇数除以 2 后经常会出现舍入错误。（例如M=2, N=4, X=0, Y=0, r=4- 见图片。有 8 个字段 - 3 个空白。但 5/2 是 2.5 => 为什么取 3而不是 2？我尝试添加不同的规则，但它因示例而异。）

2. 对于这样的计算，是否有更有效的算法，同样快速且不易出错？