論文の概要: Online Adaptive Learning for Runtime Resource Management of
Heterogeneous SoCs
- arxiv url: http://arxiv.org/abs/2008.09728v1
- Date: Sat, 22 Aug 2020 01:39:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 07:54:02.409298
- Title: Online Adaptive Learning for Runtime Resource Management of
Heterogeneous SoCs
- Title（参考訳）: 不均一 SoC の実行資源管理のためのオンライン適応学習
- Authors: Sumit K. Mandal, Umit Y. Ogras, Janardhan Rao Doppa, Raid Z. Ayoub,
Michael Kishinevsky, Partha P. Pande
- Abstract要約: 本稿では、模倣学習(IL)と明示的非線形モデル予測制御(NMPC)の2つの近代的アプローチを用いたオンライン制御における予測モデルの使用について述べる。
16のベンチマークによる商用モバイルプラットフォームの評価は、ILアプローチが制御ポリシーを未知のアプリケーションに適用することに成功していることを示している。
明示的なNMPCは、最新のGPUサブシステムの多変数電力管理のための最先端のアルゴリズムと比較して25%の省エネを提供する。
- 参考スコア（独自算出の注目度）: 15.523246628432654
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic resource management has become one of the major areas of research in
modern computer and communication system design due to lower power consumption
and higher performance demands. The number of integrated cores, level of
heterogeneity and amount of control knobs increase steadily. As a result, the
system complexity is increasing faster than our ability to optimize and
dynamically manage the resources. Moreover, offline approaches are sub-optimal
due to workload variations and large volume of new applications unknown at
design time. This paper first reviews recent online learning techniques for
predicting system performance, power, and temperature. Then, we describe the
use of predictive models for online control using two modern approaches:
imitation learning (IL) and an explicit nonlinear model predictive control
(NMPC). Evaluations on a commercial mobile platform with 16 benchmarks show
that the IL approach successfully adapts the control policy to unknown
applications. The explicit NMPC provides 25% energy savings compared to a
state-of-the-art algorithm for multi-variable power management of modern GPU
sub-systems.
- Abstract（参考訳）: 動的資源管理は、消費電力の低減と高い性能要求により、現代のコンピュータおよび通信システム設計における主要な研究分野の1つとなっている。
統合コアの数、異質性のレベル、制御ノブの量は着実に増加する。
その結果、システムの複雑さは、リソースを最適化し、動的に管理する能力よりも速くなっている。
さらに、オフラインアプローチは、作業負荷のばらつきと、設計時に未知の新しいアプリケーションが多いため、サブ最適である。
本稿では,システム性能,パワー,温度を予測するオンライン学習手法について概説する。
次に, 模倣学習 (il) と明示的非線形モデル予測制御 (nmpc) の2つの手法を用いて, オンライン制御における予測モデルの利用について述べる。
16のベンチマークによる商用モバイルプラットフォームの評価は、ilアプローチが未知のアプリケーションに制御ポリシーをうまく適用していることを示している。
明示的なNMPCは、最新のGPUサブシステムの多変数電力管理のための最先端アルゴリズムと比較して25%の省エネを提供する。
関連論文リスト
- Reservoir computing for system identification and predictive control with limited data [3.1484174280822845]
我々は、ベンチマーク制御システムの力学を学習し、モデル予測制御(MPC)の代理モデルとして機能するRNN変種の評価を行う。
エコー状態ネットワーク(ESN)は、計算複雑性の低減、より有効な予測時間、MPC目的関数のコスト削減など、競合するアーキテクチャよりも様々な利点がある。
論文 参考訳（メタデータ） (2024-10-23T21:59:07Z) - Optimizing Load Scheduling in Power Grids Using Reinforcement Learning and Markov Decision Processes [0.0]
本稿では,動的負荷スケジューリングの課題に対処する強化学習(RL)手法を提案する。
提案手法は実時間負荷スケジューリングのためのロバストでスケーラブルなソリューションを提供する。
論文 参考訳（メタデータ） (2024-10-23T09:16:22Z) - Parameter-Adaptive Approximate MPC: Tuning Neural-Network Controllers without Retraining [50.00291020618743]
この研究は、大規模なデータセットを再計算し、再トレーニングすることなくオンラインチューニングが可能な、新しいパラメータ適応型AMPCアーキテクチャを導入している。
資源制約の厳しいマイクロコントローラ(MCU)を用いた2種類の実カートポールシステムの揺らぎを制御し,パラメータ適応型AMPCの有効性を示す。
これらの貢献は、現実世界のシステムにおけるAMPCの実践的応用に向けた重要な一歩である。
論文 参考訳（メタデータ） (2024-04-08T20:02:19Z) - A Dynamic Feedforward Control Strategy for Energy-efficient Building
System Operation [59.56144813928478]
現在の制御戦略と最適化アルゴリズムでは、そのほとんどはリアルタイムフィードバックから情報を受け取ることに依存している。
本稿では,システム制御のためのシステム特性を同時に構築することによる,ダイナミックな事前知識を組み込む,エンジニアフレンドリな制御戦略フレームワークを提案する。
典型的な制御戦略でシステム制御を加熱するケースでテストしたところ、我々のフレームワークは15%の省エネ性を持っていることがわかった。
論文 参考訳（メタデータ） (2023-01-23T09:07:07Z) - Fully Decentralized Model-based Policy Optimization for Networked
Systems [23.46407780093797]
本研究の目的は,モデルベース学習によるマルチエージェント制御のデータ効率の向上である。
エージェントが協力的であり、隣人とのみローカルに通信するネットワークシステムについて検討する。
提案手法では,各エージェントが将来の状態を予測し,通信によって予測をブロードキャストする動的モデルを学習し,その後,モデルロールアウトに基づいてポリシーをトレーニングする。
論文 参考訳（メタデータ） (2022-07-13T23:52:14Z) - Real-time Neural-MPC: Deep Learning Model Predictive Control for
Quadrotors and Agile Robotic Platforms [59.03426963238452]
モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。
ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
論文 参考訳（メタデータ） (2022-03-15T09:38:15Z) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳（メタデータ） (2021-05-03T07:23:39Z) - Scheduling and Power Control for Wireless Multicast Systems via Deep
Reinforcement Learning [33.737301955006345]
無線システムにおけるマルチキャストは、コンテンツ中心ネットワークにおけるユーザ要求の冗長性を利用する方法である。
電力制御と最適スケジューリングは、衰退中の無線マルチキャストネットワークの性能を著しく向上させることができる。
提案手法により, 大規模システムに対して, 電力制御ポリシを学習可能であることを示す。
論文 参考訳（メタデータ） (2020-09-27T15:59:44Z) - Learning High-Level Policies for Model Predictive Control [54.00297896763184]
Model Predictive Control (MPC)は、ロボット制御タスクに対する堅牢なソリューションを提供する。
ニューラルネットワークの高レベルポリシーを学習するための自己教師付き学習アルゴリズムを提案する。
提案手法は, 標準的なMPCでは困難な状況に対処できることを示す。
論文 参考訳（メタデータ） (2020-07-20T17:12:34Z) - An Energy-Aware Online Learning Framework for Resource Management in
Heterogeneous Platforms [16.94738988958929]
モバイルプラットフォームは、高速応答時間と最小エネルギー消費の矛盾した要件を満たす必要がある。
このニーズに対処するために、System-on-chipsは、アクティブコアの数や電圧/周波数レベルなど、さまざまな制御ノブを提供する。
オフラインで設計された制御ポリシーは、設計時に多くの潜在的な新しいアプリケーションが未知であるため、最適ではない。
論文 参考訳（メタデータ） (2020-03-20T22:59:35Z) - Information Theoretic Model Predictive Q-Learning [64.74041985237105]
本稿では,情報理論的MPCとエントロピー正規化RLとの新たな理論的関連性を示す。
バイアスモデルを利用したQ-ラーニングアルゴリズムを開発した。
論文 参考訳（メタデータ） (2019-12-31T00:29:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。