ReLMXEL: Adaptieve op Reinforcement Learning gebaseerde Geheugencontroller met Uitlegbare Optimalisatie van Energie en Latentie
ReLMXEL: Adaptive RL-Based Memory Controller with Explainable Energy and Latency Optimization
March 18, 2026
Auteurs: Panuganti Chirag Sai, Gandholi Sarat, R. Raghunatha Sarma, Venkata Kalyan Tavva, Naveen M
cs.AI
Samenvatting
Het verminderen van latentie en energieverbruik is cruciaal voor het verbeteren van de efficiëntie van geheugensystemen in moderne computing. Dit werk introduceert ReLMXEL (Reinforcement Learning for Memory Controller with Explainable Energy and Latency Optimization), een uitlegbare multi-agent online reinforcement learning-framework die geheugencontrollerparameters dynamisch optimaliseert met behulp van beloningsdecompositie. ReLMXEL opereert binnen de geheugencontroller en benut gedetailleerde metrieken van geheugengedrag om besluitvorming te sturen. Experimentele evaluaties over diverse workloads tonen consistente prestatieverbeteringen aan ten opzichte van baselineconfiguraties, met verfijningen gedreven door workloadspecifiek geheugentoegangsgedrag. Door uitlegbaarheid in het leerproces te integreren, verbetert ReLMXEL niet alleen de prestaties, maar vergroot het ook de transparantie van controlebeslissingen, waardoor de weg wordt geëffend voor meer verantwoordelijke en adaptieve geheugensysteemontwerpen.
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.