ReLMXEL：説明可能なエネルギーとレイテンシ最適化を備えた適応型強化学習ベースメモリコントローラ

要旨

現代コンピューティングにおけるメモリシステムの効率向上には、レイテンシとエネルギー消費の低減が不可欠である。本研究では、報酬分解を用いてメモリコントローラパラメータを動的に最適化する、説明可能なマルチエージェントオンライン強化学習フレームワーク「ReLMXEL」を提案する。ReLMXELはメモリコントローラ内で動作し、詳細なメモリ挙動メトリクスを活用して意思決定を行う。多様なワークロードによる実験的評価では、ベースライン構成を一貫して上回る性能向上が確認され、その改善はワークロード固有のメモリアクセス挙動に基づいて推進される。学習プロセスに説明可能性を組み込むことで、ReLMXELは性能を向上させるだけでなく、制御決定の透明性を高め、責任ある適応的メモリシステム設計への道を開くものである。

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.

ReLMXEL：説明可能なエネルギーとレイテンシ最適化を備えた適応型強化学習ベースメモリコントローラ

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

要旨

Support