The post has been translated automatically. Original language: Russian
The problem of complex technological projects
Modern technological systems are becoming more complex.
The development of processors, operating systems, artificial intelligence, and industrial platforms requires the participation of specialists from various fields.:
- architects;
- software developers;
- hardware engineers;
- experts in algorithms.
The main problem of such projects is not only writing code.
The main difficulty lies in the preservation and development of knowledge:
- why was a specific architectural decision made?;
- what are the limitations?;
- what experiments have been conducted?;
- which options were rejected;
- what results confirm the correctness of the approach.
This is exactly the task that Sekura Noda solves.
Sekura Noda — a system for preserving engineering knowledge
Sekura Noda allows you to create canonical project knowledge.
Each knowledge becomes a separate object:
- with the author;
- with a history of changes;
- with confirmation of the results;
- with links to other solutions.
This allows you to use AI not just as a text or code generator, but as an assistant that works inside a system of proven knowledge.
Example: optimization of the Memora8 computing architecture
One example of this approach is the development of the Memora8 architecture and the Reganta operating system.
During the development process, changes to the hardware execution model were investigated.
One of the control tests used the BLAKE3 algorithm, a computational task that allows measuring the efficiency of data exchange, memory operation, and processor management.
Two architectural changes were made.
1. Flexible SmallFIFO hardware queue width
Initially, the SmallFIFO hardware queue had a fixed data transfer size.
This limited the possibility of optimizing different types of flows.
After adding the ability to change the width of the hardware queue, the system was able to adapt the exchange mechanism to a specific load.
Result:
- the overhead costs of data transmission have been reduced;
- the efficiency of streaming processing has improved;
- the computational result remained completely unchanged.
In BLAKE3 tests, the input size is 8192 KB:
- execution time decreased from 510.005 to 501.591 seconds;
- The number of cycles decreased from 534 million to 513 million.;
- The IPC increased from 4,649 to 4,775.
At the same time, the digest BLAKE3 for each input data size matched in all control versions, which confirmed that there was no change in the calculation result.
2. Controlled processor sleep status
The second change was the new processor wait model.
In traditional systems, waiting is often implemented through constant event status checking.
However, this approach leads to the execution of a large number of instructions that do not perform useful work.
In Reganta, the processor has the ability to switch to sleep for a set number of clock cycles.
This allowed:
- remove useless polling;
- reduce the number of control operations;
- transfer control of waiting to the system architecture.
After the implementation of the change:
- the number of instructions on large tasks has decreased;
- the number of branch bubbles has decreased;
- the total execution time of BLAKE3 has decreased.
For 8192 KB, the final version showed an improvement:
510.005 seconds → 482.985 seconds.
Why is this example important for Sekura Noda
The main result of the experiment is not only the acceleration of calculations.
The system development process itself is more important.
Every change was recorded as engineering knowledge.:
- what was the problem;
- what solution has been proposed?;
- what experiment was conducted;
- what measurements were obtained;
- why the decision is considered correct.
This is the approach that allows AI to work with real engineering projects.
Without structured knowledge, AI can only generate variants.
With the canonical knowledge system, AI becomes a participant in the development process:
- analyzes existing solutions;
- helps you find connections;
- saves the project history;
- accelerates the transfer of experience between specialists.
From software to intellectual capital
Companies usually keep the code, documents, and reports.
But the real value lies deeper.:
- in architectural solutions;
- in the experience of engineers;
- the reasons for the choice;
- in the accumulated knowledge.
Sekura Noda creates a layer where this experience becomes a manageable asset of the organization.
This is especially important for:
- technology companies;
- industrial enterprises;
- research centers;
- government organizations.
Conclusion
The future of AI is not just about more powerful models.
The future of AI is systems that can work with high—quality human knowledge.
Sekura Noda helps organizations retain expertise, link it to AI, and turn the development of complex systems into a manageable process.
Using the example of Memora8 and Reganta, it can be seen that when engineering solutions are fixed, tested by experiments and become part of a common knowledge base, AI becomes a development tool, not just a generation tool.
Проблема сложных технологических проектов
Современные технологические системы становятся всё сложнее.
Разработка процессоров, операционных систем, искусственного интеллекта и промышленных платформ требует участия специалистов из разных областей:
- архитекторов;
- разработчиков программного обеспечения;
- инженеров аппаратного обеспечения;
- специалистов по алгоритмам.
Главная проблема таких проектов — не только написать код.
Основная сложность заключается в сохранении и развитии знаний:
- почему было принято конкретное архитектурное решение;
- какие ограничения существуют;
- какие эксперименты были проведены;
- какие варианты были отвергнуты;
- какие результаты подтверждают правильность подхода.
Именно эту задачу решает Sekura Noda.
Sekura Noda — система сохранения инженерного знания
Sekura Noda позволяет создавать канонические знания проекта.
Каждое знание становится отдельным объектом:
- с автором;
- с историей изменений;
- с подтверждением результатами;
- со связями с другими решениями.
Это позволяет использовать AI не просто как генератор текста или кода, а как помощника, который работает внутри системы проверенных знаний.
Пример: оптимизация вычислительной архитектуры Memora8
Одним из примеров применения такого подхода является развитие архитектуры Memora8 и операционной системы Reganta.
В процессе разработки были исследованы изменения аппаратной модели исполнения.
Одним из контрольных тестов использовался алгоритм BLAKE3 — вычислительная задача, позволяющая измерять эффективность обмена данными, работы памяти и управления процессором.
Были внесены два архитектурных изменения.
1. Гибкая ширина аппаратной очереди SmallFIFO
Первоначально аппаратная очередь SmallFIFO имела фиксированный размер передачи данных.
Это ограничивало возможность оптимизации различных типов потоков.
После добавления возможности изменять ширину аппаратной очереди система получила возможность адаптировать механизм обмена под конкретную нагрузку.
Результат:
- уменьшились накладные расходы передачи данных;
- повысилась эффективность потоковой обработки;
- вычислительный результат остался полностью неизменным.
В тестах BLAKE3 для входа 8192 KB:
- время выполнения уменьшилось с 510.005 до 501.591 секунды;
- количество циклов уменьшилось с 534 млн до 513 млн;
- IPC вырос с 4.649 до 4.775.
При этом digest BLAKE3 для каждого размера входных данных совпал во всех контрольных версиях, что подтвердило отсутствие изменения результата вычисления.
2. Управляемое состояние сна процессора
Вторым изменением стала новая модель ожидания процессора.
В традиционных системах ожидание часто реализуется через постоянную проверку состояния событий.
Однако такой подход приводит к выполнению большого количества инструкций, которые не выполняют полезной работы.
В Reganta процессор получил возможность переходить в состояние сна на заданное количество тактов.
Это позволило:
- убрать бесполезный polling;
- снизить количество управляющих операций;
- передать управление ожиданием архитектуре системы.
После внедрения изменения:
- количество инструкций на больших задачах уменьшилось;
- количество branch bubbles снизилось;
- итоговое время выполнения BLAKE3 уменьшилось.
Для 8192 KB итоговая версия показала улучшение:
510.005 секунды → 482.985 секунды.
Почему этот пример важен для Sekura Noda
Главный результат эксперимента — не только ускорение вычислений.
Важнее сам процесс развития системы.
Каждое изменение было зафиксировано как инженерное знание:
- какая проблема существовала;
- какое решение было предложено;
- какой эксперимент проведён;
- какие измерения получены;
- почему решение считается правильным.
Именно такой подход позволяет AI работать с реальными инженерными проектами.
Без структурированного знания AI может только генерировать варианты.
С системой канонических знаний AI становится участником процесса развития:
- анализирует существующие решения;
- помогает находить связи;
- сохраняет историю проекта;
- ускоряет передачу опыта между специалистами.
От программного к интеллектуальному капиталу
Компании обычно сохраняют код, документы и отчёты.
Но настоящая ценность находится глубже:
- в архитектурных решениях;
- в опыте инженеров;
- в причинах выбора;
- в накопленных знаниях.
Sekura Noda создаёт слой, где этот опыт становится управляемым активом организации.
Это особенно важно для:
- технологических компаний;
- промышленных предприятий;
- исследовательских центров;
- государственных организаций.
Заключение
Будущее AI — это не только более мощные модели.
Будущее AI — это системы, которые умеют работать с качественным человеческим знанием.
Sekura Noda помогает организациям сохранить экспертный опыт, связать его с AI и превратить развитие сложных систем в управляемый процесс.
На примере Memora8 и Reganta видно: когда инженерные решения фиксируются, проверяются экспериментами и становятся частью общей базы знаний, AI становится инструментом развития, а не просто инструментом генерации.
Share
