論文の概要: Gem5Pred: Predictive Approaches For Gem5 Simulation Time
- arxiv url: http://arxiv.org/abs/2310.06290v1
- Date: Tue, 10 Oct 2023 04:05:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 02:07:54.681740
- Title: Gem5Pred: Predictive Approaches For Gem5 Simulation Time
- Title(参考訳): gem5pred: gem5シミュレーション時間の予測的アプローチ
- Authors: Tian Yan, Xueyang Li, Sifat Ut Taki, Saeid Mehrdad
- Abstract要約: 本稿では,この目的のために特別に作成されたユニークなデータセットを紹介する。
また,異なる命令型がGem5のシミュレーション時間に与える影響を解析した。
我々の優れた回帰モデルでは0.546の平均絶対誤差(MAE)が達成され、トップパフォーマンスの分類モデルは0.696の精度を記録した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gem5, an open-source, flexible, and cost-effective simulator, is widely
recognized and utilized in both academic and industry fields for hardware
simulation. However, the typically time-consuming nature of simulating programs
on Gem5 underscores the need for a predictive model that can estimate
simulation time. As of now, no such dataset or model exists. In response to
this gap, this paper makes a novel contribution by introducing a unique dataset
specifically created for this purpose. We also conducted analysis of the
effects of different instruction types on the simulation time in Gem5. After
this, we employ three distinct models leveraging CodeBERT to execute the
prediction task based on the developed dataset. Our superior regression model
achieves a Mean Absolute Error (MAE) of 0.546, while our top-performing
classification model records an Accuracy of 0.696. Our models establish a
foundation for future investigations on this topic, serving as benchmarks
against which subsequent models can be compared. We hope that our contribution
can simulate further research in this field. The dataset we used is available
at https://github.com/XueyangLiOSU/Gem5Pred.
- Abstract(参考訳): Gem5はオープンソースでフレキシブルで費用効率のよいシミュレータであり、学術と産業の両方でハードウェアシミュレーションに広く利用されている。
しかし、gem5上でプログラムをシミュレートする典型的な時間のかかる性質は、シミュレーション時間を見積もる予測モデルの必要性を浮き彫りにしている。
現在、そのようなデータセットやモデルは存在しない。
このギャップに対応するために,本稿では,この目的に特化して作成されたユニークなデータセットを導入することで,新たな貢献を行う。
また,gem5のシミュレーション時間に対する異なる命令型の影響について解析を行った。
その後、CodeBERTを利用した3つの異なるモデルを用いて、開発したデータセットに基づいて予測タスクを実行する。
上位回帰モデルは0.546の平均絶対誤差(MAE)を達成し,上位分類モデルは0.696の精度を記録した。
我々のモデルは今後の研究の基礎を確立し、その後のモデルを比較するためのベンチマークとして役立ちます。
私たちの貢献がこの分野のさらなる研究をシミュレートできることを願っています。
私たちが使用したデータセットは、https://github.com/xueyangliosu/gem5predで利用可能です。
関連論文リスト
- Chronos: Learning the Language of Time Series [79.45082787390962]
Chronosは事前訓練された確率的時系列モデルのためのフレームワークである。
クロノスモデルでは,様々な領域の時系列データを利用して,未知の予測タスクにおけるゼロショット精度を向上させることができることを示す。
論文 参考訳(メタデータ) (2024-03-12T16:53:54Z) - Pushing the Limits of Pre-training for Time Series Forecasting in the
CloudOps Domain [54.67888148566323]
クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。
強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。
これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
論文 参考訳(メタデータ) (2023-10-08T08:09:51Z) - Exploring the Effectiveness of Dataset Synthesis: An application of
Apple Detection in Orchards [68.95806641664713]
本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。
我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。
その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
論文 参考訳(メタデータ) (2023-06-20T09:46:01Z) - Learning from aggregated data with a maximum entropy model [73.63512438583375]
我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。
我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
論文 参考訳(メタデータ) (2022-10-05T09:17:27Z) - DeepVARwT: Deep Learning for a VAR Model with Trend [3.9849889653167208]
本稿では,トレンドと依存構造を最大限に推定するために,ディープラーニング手法を用いた新しい手法を提案する。
この目的のためにLong Short-Term Memory (LSTM) ネットワークが使用される。
シミュレーション研究と実データへの適用について述べる。
論文 参考訳(メタデータ) (2022-09-21T18:23:03Z) - Fast emulation of density functional theory simulations using
approximate Gaussian processes [0.6445605125467573]
シミュレーション出力を予測する第2の統計モデルは、モデルフィッティング中の完全なシミュレーションの代わりに使用できる。
我々は,観測データを用いた密度汎関数理論(DFT)モデルパラメータのキャリブレーションにエミュレータを用いた。
これらのDFTモデルの有用性は、観測されたデータに基づいて、実験的に観測されていない核種の性質に関する予測を行うことである。
論文 参考訳(メタデータ) (2022-08-24T05:09:36Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳(メタデータ) (2022-06-15T17:29:57Z) - Deep Learning-based Spatially Explicit Emulation of an Agent-Based
Simulator for Pandemic in a City [0.6875312133832077]
エージェントベースモデルは、都市におけるパンデミックの拡散など、物理的または社会的プロセスのシミュレーションに有用である。
このようなモデルは計算には非常に高価であり、複雑度はしばしばエージェントの総数で線形である。
本稿では,エージェントベースモデルを高精度にエミュレート可能なDilated Convolutional Neural Networkに基づくディープラーニングモデルについて論じる。
論文 参考訳(メタデータ) (2022-05-28T10:56:37Z) - Long-term stability and generalization of observationally-constrained
stochastic data-driven models for geophysical turbulence [0.19686770963118383]
ディープラーニングモデルは、現在の最先端の気象モデルにおける特定のバイアスを軽減することができる。
データ駆動モデルは、再分析(観測データ)製品から利用できない多くのトレーニングデータを必要とします。
決定論的データ駆動予測モデルは、長期的な安定性と非物理的気候の漂流の問題に悩まされる。
本稿では,不完全な気候モデルシミュレーションに基づいて事前学習した畳み込み変分自動エンコーダに基づくデータ駆動モデルを提案する。
論文 参考訳(メタデータ) (2022-05-09T23:52:37Z) - Can we learn where people come from? Retracing of origins in merging
situations [0.0]
センサデータから得られる密度ヒートマップをランダムな森林レセプタの入力として利用し,原産地分布の予測を行う。
シミュレーションデータセット、実験データ、および実験データとシミュレーションデータの両方を備えたハイブリッドアプローチの3つの異なるデータセットを研究します。
論文 参考訳(メタデータ) (2020-12-21T17:42:14Z) - Model Reuse with Reduced Kernel Mean Embedding Specification [70.044322798187]
現在のアプリケーションで有用なモデルを見つけるための2段階のフレームワークを提案する。
アップロードフェーズでは、モデルがプールにアップロードされている場合、モデルの仕様としてカーネル平均埋め込み(RKME)を縮小する。
デプロイフェーズでは、RKME仕様の値に基づいて、現在のタスクと事前訓練されたモデルの関連性を測定する。
論文 参考訳(メタデータ) (2020-01-20T15:15:07Z)
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。