Машинное обучение для энергоэффективного планирования с учетом производительности

Machine Learning for Energy-Performance-aware Scheduling

January 30, 2026

Авторы: Zheyuan Hu, Yifei Shi

cs.AI

Аннотация

В пост-деннардовскую эпоху оптимизация встроенных систем требует поиска компромиссов между энергоэффективностью и задержками в условиях сложного пространства параметров. Традиционная эвристическая настройка часто оказывается неэффективной в таких высокоразмерных и негладких ландшафтах. В данной работе мы предлагаем фреймворк на основе байесовской оптимизации с использованием гауссовских процессов для автоматизации поиска оптимальных конфигураций планирования на гетерогенных многоядерных архитектурах. Мы явно учитываем многоцелевой характер задачи путем аппроксимации границы Парето между энергопотреблением и временем выполнения. Кроме того, за счет включения анализа чувствительности (fANOVA) и сравнения различных ковариационных ядер (например, Матерна против RBF) мы обеспечиваем физическую интерпретируемость черного ящика модели, выявляя доминирующие аппаратные параметры, определяющие производительность системы.

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.