Apprentissage automatique pour l'ordonnancement énergétiquement performant

Machine Learning for Energy-Performance-aware Scheduling

January 30, 2026

papers.authors: Zheyuan Hu, Yifei Shi

cs.AI

papers.abstract

À l'ère post-Dennard, l'optimisation des systèmes embarqués nécessite de naviguer des compromis complexes entre efficacité énergétique et latence. Le réglage heuristique traditionnel s'avère souvent inefficace dans ces paysages de recherche de haute dimension et non lisses. Dans ce travail, nous proposons un cadre d'Optimisation Bayesienne utilisant des Processus Gaussiens pour automatiser la recherche des configurations d'ordonnancement optimales sur des architectures hétérogènes multi-cœurs. Nous abordons explicitement la nature multi-objectif du problème en approximant la Frontière de Pareto entre l'énergie et le temps. De plus, en intégrant une Analyse de Sensibilité (fANOVA) et en comparant différents noyaux de covariance (par exemple, Matérn contre RBF), nous apportons une interprétabilité physique au modèle boîte noire, révélant les paramètres matériels dominants qui pilotent la performance du système.

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.