Apprendimento Automatico per la Programmazione Consapevole di Energia e Prestazioni

Machine Learning for Energy-Performance-aware Scheduling

January 30, 2026

Autori: Zheyuan Hu, Yifei Shi

cs.AI

Abstract

Nell'era post-Dennard, l'ottimizzazione dei sistemi embedded richiede di bilanciare complessi compromessi tra efficienza energetica e latenza. La tradizionale ottimizzazione euristica si rivela spesso inefficiente in questi paesaggi di ricerca ad alta dimensionalità e non lisci. In questo lavoro, proponiamo un framework di Ottimizzazione Bayesiana che utilizza Processi Gaussiani per automatizzare la ricerca delle configurazioni ottimali di scheduling su architetture eterogenee multi-core. Affrontiamo esplicitamente la natura multi-obiettivo del problema approssimando la Fronteira di Pareto tra energia e tempo. Inoltre, incorporando l'Analisi di Sensibilità (fANOVA) e confrontando diversi kernel di covarianza (ad es. Matérn vs. RBF), conferiamo interpretabilità fisica al modello black-box, rivelando i parametri hardware dominanti che guidano le prestazioni 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.