論文の概要: Performance and Power Modeling and Prediction Using MuMMI and Ten Machine Learning Methods

• arxiv url: http://arxiv.org/abs/2011.06655v1
• Date: Thu, 12 Nov 2020 21:24:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 07:54:07.046422
• Title: Performance and Power Modeling and Prediction Using MuMMI and Ten Machine Learning Methods
• Title（参考訳）: MuMMIと10の機械学習手法による性能と電力モデリングと予測
• Authors: Xingfu Wu, Valerie Taylor, and Zhiling Lan
• Abstract要約: モデリングと予測ツール MuMMI と10の機械学習手法を用いて、性能とパワーをモデル化し予測する。 実験の結果,MMMIを用いた性能・パワーの予測誤差は,ほとんどの場合10%未満であることがわかった。
• 参考スコア（独自算出の注目度）: 0.13764085113103217
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we use modeling and prediction tool MuMMI (Multiple Metrics Modeling Infrastructure) and ten machine learning methods to model and predict performance and power and compare their prediction error rates. We use a fault-tolerant linear algebra code and a fault-tolerant heat distribution code to conduct our modeling and prediction study on the Cray XC40 Theta and IBM BG/Q Mira at Argonne National Laboratory and the Intel Haswell cluster Shepard at Sandia National Laboratories. Our experiment results show that the prediction error rates in performance and power using MuMMI are less than 10% for most cases. Based on the models for runtime, node power, CPU power, and memory power, we identify the most significant performance counters for potential optimization efforts associated with the application characteristics and the target architectures, and we predict theoretical outcomes of the potential optimizations. When we compare the prediction accuracy using MuMMI with that using 10 machine learning methods, we observe that MuMMI not only results in more accurate prediction in both performance and power but also presents how performance counters impact the performance and power models. This provides some insights about how to fine-tune the applications and/or systems for energy efficiency.
• Abstract（参考訳）: 本稿では,モデリング・予測ツール MuMMI (Multiple Metrics Modeling Infrastructure) と10種類の機械学習手法を用いて,性能・パワーをモデル化・予測し,予測誤差率を比較する。 我々は、耐故障線形代数符号と耐故障熱分布符号を用いて、アルゴンヌ国立研究所のCray XC40 ThetaとIBM BG/Q Miraとサンディア国立研究所のIntel HaswellクラスタShepardのモデリングおよび予測研究を行う。 実験の結果,MMMIを用いた性能・パワーの予測誤差は,ほとんどの場合10%未満であることがわかった。 ランタイム、ノードパワー、cpuパワー、メモリパワーのモデルに基づいて、アプリケーション特性やターゲットアーキテクチャに関連する潜在的な最適化作業において最も重要なパフォーマンスカウンタを特定し、潜在的な最適化の理論的結果を予測する。 MuMMIを用いた予測精度と10種類の機械学習手法を用いた予測精度を比較すると、MuMMIは性能とパワーの両方においてより正確な予測をもたらすだけでなく、パフォーマンスカウンターが性能とパワーモデルに与える影響を示す。 これは、エネルギー効率のためにアプリケーションやシステムを微調整する方法に関する洞察を提供する。

関連論文リスト

• Impact of ML Optimization Tactics on Greener Pre-Trained ML Models [46.78148962732881]
  本研究の目的は,画像分類データセットと事前学習モデルの解析,最適化モデルと非最適化モデルを比較して推論効率を向上させること,最適化の経済的影響を評価することである。 画像分類におけるPyTorch最適化手法(動的量子化、トーチ・コンパイル、局所プルーニング、グローバルプルーニング)と42のHugging Faceモデルの影響を評価するための制御実験を行った。 動的量子化は推論時間とエネルギー消費の大幅な削減を示し、大規模システムに非常に適している。
  論文  参考訳（メタデータ） (2024-09-19T16:23:03Z)
• Insight Gained from Migrating a Machine Learning Model to Intelligence Processing Units [8.782847610934635]
  インテリジェンス処理ユニット(IPU)は、機械学習(ML)アプリケーションのためのGPUに代わる実行可能なアクセラレータを提供する。 本稿では,GPU から IPU へモデルを移行するプロセスについて検討し,パイプライニングや勾配蓄積などの最適化手法について検討する。 従来のColossus IPUと比較して,Bow IPUの性能は大幅に向上した。
  論文  参考訳（メタデータ） (2024-04-16T17:02:52Z)
• Impact of data for forecasting on performance of model predictive control in buildings with smart energy storage [0.0]
  モデルデータ効率を改善するための尺度の予測精度への影響を定量化する。 負荷予測モデルに2年以上のトレーニングデータを使用することで,予測精度が大幅に向上することはなかった。 再使用したモデルと3ヶ月のデータでトレーニングされたモデルでは、ベースラインよりも平均10%高いエラーがあった。
  論文  参考訳（メタデータ） (2024-02-19T21:01:11Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Physics-informed linear regression is a competitive approach compared to Machine Learning methods in building MPC [0.8135412538980287]
  総じて, ビルのベースラインコントローラと比較して, 暖房・冷却エネルギーの低減効果が良好であることが示唆された。 また, 物理インフォームドARMAXモデルは, 計算負担が低く, 機械学習モデルと比較して, サンプル効率が優れていることも確認した。
  論文  参考訳（メタデータ） (2021-10-29T16:56:05Z)
• Hessian-based toolbox for reliable and interpretable machine learning in physics [58.720142291102135]
  本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。 与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。 我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
  論文  参考訳（メタデータ） (2021-08-04T16:32:59Z)
• Efficient pre-training objectives for Transformers [84.64393460397471]
  本研究はトランスフォーマーモデルにおける高効率事前学習目標について検討する。 マスクトークンの除去と損失時のアウトプット全体の考慮が,パフォーマンス向上に不可欠な選択であることを証明する。
  論文  参考訳（メタデータ） (2021-04-20T00:09:37Z)
• Towards More Fine-grained and Reliable NLP Performance Prediction [85.78131503006193]
  NLPタスクのパフォーマンス予測の改善に2つの貢献をしている。 まず,F1やBLEUのような総合的な精度測定のための性能予測器について検討する。 次に,信頼区間とキャリブレーションの2つの角度から性能予測モデルの信頼性を理解する手法を提案する。
  論文  参考訳（メタデータ） (2021-02-10T15:23:20Z)
• Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual Model-Based Reinforcement Learning [109.74041512359476]
  視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。 潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。 我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
  論文  参考訳（メタデータ） (2020-12-08T18:03:21Z)

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。