ReLMXEL: 설명 가능한 에너지 및 지연 최적화를 지원하는 적응형 RL 기반 메모리 컨트롤러

초록

지연 시간과 에너지 소비를 줄이는 것은 현대 컴퓨팅에서 메모리 시스템의 효율성을 향상시키는 데 중요합니다. 본 연구에서는 보상 분해를 통해 메모리 컨트롤러 매개변수를 동적으로 최적화하는 설명 가능한 다중 에이전트 온라인 강화 학습 프레임워크인 ReLMXEL(Reinforcement Learning for Memory Controller with Explainable Energy and Latency Optimization)을 소개합니다. ReLMXEL은 메모리 컨트롤러 내에서 작동하며 상세한 메모리 동작 메트릭을 활용하여 의사 결정을 안내합니다. 다양한 워크로드에 대한 실험 평가를 통해 기준 구성 대비 일관된 성능 향상을 확인했으며, 이 개선은 워크로드별 메모리 접근 동작에 의해 주도되었습니다. ReLMXEL은 학습 과정에 설명 가능성을 통합함으로써 성능을 향상시킬 뿐만 아니라 제어 결정의 투명성을 높여, 더욱 책임 있고 적응적인 메모리 시스템 설계의 길을 열어줍니다.

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: 설명 가능한 에너지 및 지연 최적화를 지원하는 적응형 RL 기반 메모리 컨트롤러

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

초록

Support