Aprendizado de Máquina para Escalonamento Consciente de Energia e Desempenho

Machine Learning for Energy-Performance-aware Scheduling

January 30, 2026

Autores: Zheyuan Hu, Yifei Shi

cs.AI

Resumo

Na era pós-Dennard, a otimização de sistemas embarcados exige navegar por complexos compromissos entre eficiência energética e latência. A sintonia heurística tradicional mostra-se frequentemente ineficiente nestes espaços de alta dimensionalidade e não suaves. Neste trabalho, propomos um framework de Otimização Bayesiana utilizando Processos Gaussianos para automatizar a busca por configurações ótimas de escalonamento em arquiteturas heterogéneas de multi-núcleo. Abordamos explicitamente a natureza multi-objetivo do problema através da aproximação da Fronteira de Pareto entre energia e tempo. Adicionalmente, ao incorporar Análise de Sensibilidade (fANOVA) e comparar diferentes kernels de covariância (por exemplo, Matérn vs. RBF), conferimos interpretabilidade física ao modelo de caixa preta, revelando os parâmetros de hardware dominantes que conduzem o desempenho do sistema.

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.