Aprendizaje Automático para la Planificación Consciente del Rendimiento Energético

Machine Learning for Energy-Performance-aware Scheduling

January 30, 2026

Autores: Zheyuan Hu, Yifei Shi

cs.AI

Resumen

En la era post-Dennard, la optimización de sistemas embebidos requiere navegar complejas compensaciones entre eficiencia energética y latencia. La sintonización heurística tradicional suele ser ineficaz en estos espacios de búsqueda de alta dimensionalidad y no suaves. En este trabajo, proponemos un marco de Optimización Bayesiana que utiliza Procesos Gaussianos para automatizar la búsqueda de configuraciones óptimas de planificación en arquitecturas heterogéneas multi-núcleo. Abordamos explícitamente la naturaleza multi-objetivo del problema aproximando la Frontera de Pareto entre energía y tiempo. Además, al incorporar Análisis de Sensibilidad (fANOVA) y comparar diferentes núcleos de covarianza (por ejemplo, Matérn frente a RBF), proporcionamos interpretabilidad física al modelo de caja negra, revelando los parámetros de hardware dominantes que impulsan el rendimiento del sistema.

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.