ReLMXEL: Adaptiver RL-basierter Speichercontroller mit erklärbarer Energie- und Latenzoptimierung
ReLMXEL: Adaptive RL-Based Memory Controller with Explainable Energy and Latency Optimization
March 18, 2026
Autoren: Panuganti Chirag Sai, Gandholi Sarat, R. Raghunatha Sarma, Venkata Kalyan Tavva, Naveen M
cs.AI
Zusammenfassung
Die Reduzierung von Latenz und Energieverbrauch ist entscheidend für die Verbesserung der Effizienz von Speichersystemen im modernen Computing. Diese Arbeit stellt ReLMXEL (Reinforcement Learning for Memory Controller with Explainable Energy and Latency Optimization) vor, ein erklärbares Multi-Agenten-Online-Reinforcement-Learning-Framework, das Speichercontroller-Parameter dynamisch mittels Belohnungszerlegung optimiert. ReLMXEL operiert innerhalb des Speichercontrollers und nutzt detaillierte Metriken des Speicherverhaltens, um die Entscheidungsfindung zu steuern. Experimentelle Auswertungen über verschiedene Workloads hinweg zeigen konsistente Leistungssteigerungen gegenüber Basislinien-Konfigurationen, wobei die Verfeinerungen durch workloadspezifisches Speicherzugriffsverhalten angetrieben werden. Durch die Integration von Erklärbarkeit in den Lernprozess verbessert ReLMXEL nicht nur die Leistung, sondern erhöht auch die Transparenz von Kontrollentscheidungen und ebnet so den Weg für verantwortungsvollere und adaptivere Speichersystem-Designs.
English
Reducing latency and energy consumption is critical to improving the efficiency of memory systems in modern computing. This work introduces ReLMXEL (Reinforcement Learning for Memory Controller with Explainable Energy and Latency Optimization), a explainable multi-agent online reinforcement learning framework that dynamically optimizes memory controller parameters using reward decomposition. ReLMXEL operates within the memory controller, leveraging detailed memory behavior metrics to guide decision-making. Experimental evaluations across diverse workloads demonstrate consistent performance gains over baseline configurations, with refinements driven by workload-specific memory access behaviour. By incorporating explainability into the learning process, ReLMXEL not only enhances performance but also increases the transparency of control decisions, paving the way for more accountable and adaptive memory system designs.