Maschinelles Lernen für energie- und leistungsbewusste Planung

Machine Learning for Energy-Performance-aware Scheduling

January 30, 2026

papers.authors: Zheyuan Hu, Yifei Shi

cs.AI

papers.abstract

Im Post-Dennard-Zeitalter erfordert die Optimierung eingebetteter Systeme das Navigieren komplexer Zielkonflikte zwischen Energieeffizienz und Latenz. Traditionelle heuristische Einstellverfahren sind in solch hochdimensionalen, nicht-glatten Lösungsräumen oft ineffizient. In dieser Arbeit schlagen wir einen Bayesian-Optimization-Ansatz auf Basis Gaußscher Prozesse vor, um die Suche nach optimalen Scheduling-Konfigurationen auf heterogenen Multi-Core-Architekturen zu automatisieren. Wir adressieren explizit die multiobjektive Natur des Problems durch Approximation der Pareto-Front zwischen Energie und Ausführungszeit. Darüber hinaus ermöglichen wir durch die Einbeziehung von Sensitivitätsanalysen (fANOVA) und den Vergleich verschiedener Kovarianz-Kernel (z.B. Matérn vs. RBF) eine physikalische Interpretierbarkeit des Black-Box-Modells, wodurch die dominierenden Hardwareparameter, welche die Systemleistung bestimmen, aufgedeckt werden.

English

In the post-Dennard era, optimizing embedded systems requires navigating complex trade-offs between energy efficiency and latency. Traditional heuristic tuning is often inefficient in such high-dimensional, non-smooth landscapes. In this work, we propose a Bayesian Optimization framework using Gaussian Processes to automate the search for optimal scheduling configurations on heterogeneous multi-core architectures. We explicitly address the multi-objective nature of the problem by approximating the Pareto Frontier between energy and time. Furthermore, by incorporating Sensitivity Analysis (fANOVA) and comparing different covariance kernels (e.g., Matérn vs. RBF), we provide physical interpretability to the black-box model, revealing the dominant hardware parameters driving system performance.