Machine Learning voor Energie- en Prestatiebewuste Planning

Machine Learning for Energy-Performance-aware Scheduling

January 30, 2026

Auteurs: Zheyuan Hu, Yifei Shi

cs.AI

Samenvatting

In het post-Dennardtijdperk vereist het optimaliseren van ingebedde systemen het navigeren door complexe afwegingen tussen energie-efficiëntie en latentie. Traditionele heuristische afstemming is vaak inefficiënt in dergelijke hoogdimensionale, niet-gladde landschappen. In dit werk stellen we een Bayesiaans Optimalisatiekader voor dat Gaussische Processen gebruikt om de zoektocht naar optimale planningsconfiguraties op heterogene multi-core architecturen te automatiseren. We pakken expliciet de multi-objectieve aard van het probleem aan door de Pareto-frontier tussen energie en tijd te benaderen. Verder bieden we, door het incorporeren van Sensitiviteitsanalyse (fANOVA) en het vergelijken van verschillende covariantiekernels (bijv. Matérn versus RBF), fysieke interpreteerbaarheid aan het black-box-model, waarbij de dominante hardwareparameters die de systeemprestaties sturen worden blootgelegd.

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.