ReLMXEL : Contrôleur de mémoire adaptatif par apprentissage par renforcement avec optimisation explicite de l'énergie et de la latence

ReLMXEL: Adaptive RL-Based Memory Controller with Explainable Energy and Latency Optimization

March 18, 2026

Auteurs: Panuganti Chirag Sai, Gandholi Sarat, R. Raghunatha Sarma, Venkata Kalyan Tavva, Naveen M

cs.AI

Résumé

La réduction de la latence et de la consommation énergétique est essentielle pour améliorer l'efficacité des systèmes mémoire dans l'informatique moderne. Ce travail présente ReLMXEL (Reinforcement Learning for Memory Controller with Explainable Energy and Latency Optimization), un cadre d'apprentissage par renforcement multi-agent explicable en ligne qui optimise dynamiquement les paramètres du contrôleur mémoire par décomposition de la récompense. ReLMXEL opère au sein du contrôleur mémoire, exploitant des métriques détaillées du comportement mémoire pour guider la prise de décision. Les évaluations expérimentales sur diverses charges de travail démontrent des gains de performance constants par rapport aux configurations de référence, avec des améliorations guidées par les comportements d'accès mémoire spécifiques à chaque charge. En intégrant l'explicabilité dans le processus d'apprentissage, ReLMXEL améliore non seulement les performances, mais augmente également la transparence des décisions de contrôle, ouvrant la voie à des conceptions de systèmes mémoire plus responsables et adaptatives.

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.