エネルギー効率を考慮したスケジューリングのための機械学習

要旨

ポスト・デナード時代において、組込みシステムの最適化には、エネルギー効率とレイテンシの間の複雑なトレードオフの調整が不可欠である。従来のヒューリスティックなチューニング手法は、このような高次元で非平滑な設計空間では非効率的になりがちである。本研究では、ガウス過程を用いたベイズ最適化フレームワークを提案し、異種マルチコアアーキテクチャにおける最適なスケジューリング設定の探索を自動化する。エネルギーと実行時間のパレートフロンティアを近似することで、問題の多目的性を明示的に扱う。さらに、感度分析（fANOVA）の導入と異なる共分散カーネル（MatérnカーネルとRBFカーネルなど）の比較を通じて、ブラックボックスモデルに物理的な解釈性を与え、システム性能を支配する主要なハードウェアパラメータを明らかにする。

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.

エネルギー効率を考慮したスケジューリングのための機械学習

Machine Learning for Energy-Performance-aware Scheduling

要旨

Support