論文の概要: CAFEEN: A Cooperative Approach for Energy Efficient NoCs with Multi-Agent Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2410.07426v1
- Date: Wed, 9 Oct 2024 20:42:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-31 20:37:14.207201
- Title: CAFEEN: A Cooperative Approach for Energy Efficient NoCs with Multi-Agent Reinforcement Learning
- Title（参考訳）: CAFEEN:マルチエージェント強化学習によるエネルギー効率の高いNoCの協調的アプローチ
- Authors: Kamil Khan, Sudeep Pasricha,
- Abstract要約: 高性能ネットワークオンチップ(NoC)アーキテクチャでは、エネルギー消費を最小限に抑えるために効率的な電力管理が不可欠である。
本稿では,エネルギー効率のよいNoCに対して,きめ細粒度と機械学習に基づく粗粒度パワーゲーティングを併用したCAFEENという新しいフレームワークを提案する。
結果として、CAFEENはパフォーマンスと電力効率を適応的にバランスさせ、単一のアプリケーションワークロードで2.60倍、マルチアプリケーションワークロードで4.37倍削減する。
- 参考スコア（独自算出の注目度）: 3.3379026542599934
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In emerging high-performance Network-on-Chip (NoC) architectures, efficient power management is crucial to minimize energy consumption. We propose a novel framework called CAFEEN that employs both heuristic-based fine-grained and machine learning-based coarse-grained power-gating for energy-efficient NoCs. CAFEEN uses a fine-grained method to activate only essential NoC buffers during lower network loads. It switches to a coarse-grained method at peak loads to minimize compounding wake-up overhead using multi-agent reinforcement learning. Results show that CAFEEN adaptively balances power-efficiency with performance, reducing total energy by 2.60x for single application workloads and 4.37x for multi-application workloads, compared to state-of-the-art NoC power-gating frameworks.
- Abstract（参考訳）: 高性能ネットワークオンチップ(NoC)アーキテクチャでは、エネルギー消費を最小限に抑えるために効率的な電力管理が不可欠である。
本稿では,エネルギー効率のよいNOCに対して,ヒューリスティックベースできめ細粒度と機械学習ベースの粗粒度パワーゲーティングの両方を併用したCAFEENという新しいフレームワークを提案する。
CAFEENは、ネットワーク負荷の低い期間に必須のNoCバッファのみを活性化するために、きめ細かい方法を使用する。
ピーク負荷時の粗粒化手法に切り替え、マルチエージェント強化学習を用いて、起動オーバーヘッドの複雑化を最小限に抑える。
結果として、CAFEENはパフォーマンスと電力効率を適応的にバランスさせ、単一のアプリケーションワークロードで2.60倍、マルチアプリケーションワークロードで4.37倍削減する。
関連論文リスト
- PolyThrottle: Energy-efficient Neural Network Inference on Edge Devices [10.01838504586422]
ML駆動システムの連続運転は、推論中にかなりのエネルギー消費をもたらす。
本稿では,GPU,メモリ,CPU周波数などのデバイス上のハードウェア要素の構成が,通常の微調整によるNN推論のエネルギー消費に与える影響について検討する。
本稿では,Constrained Bayesian Optimization を用いて,各ハードウェアコンポーネント間の構成をエネルギー保存的に最適化するPolyThrottleを提案する。
論文 参考訳（メタデータ） (2023-10-30T20:19:41Z) - Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳（メタデータ） (2023-09-16T11:37:23Z) - Energy-Aware Federated Learning with Distributed User Sampling and
Multichannel ALOHA [3.7769304982979666]
エッジデバイス上での分散学習は、フェデレートラーニング(FL)の出現によって注目を集めている。
本稿では,エネルギ収穫装置(EH)をマルチチャネルALOHAとFLネットワークに統合することを検討する。
数値的な結果は,特に臨界設定において,この手法の有効性を示す。
論文 参考訳（メタデータ） (2023-09-12T08:05:39Z) - Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A
Multi-Agent Reinforcement Learning Approach [48.18355658448509]
生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。
地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。
本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-17T02:12:30Z) - Distributed Energy Management and Demand Response in Smart Grids: A
Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。
特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
論文 参考訳（メタデータ） (2022-11-29T01:18:58Z) - Energy Efficient Hardware Acceleration of Neural Networks with
Power-of-Two Quantisation [0.0]
我々は、Zynq UltraScale + MPSoC ZCU104 FPGA上に実装されたPoT重みを持つハードウェアニューラルネットワークアクセラレーターが、均一量子化バージョンよりも少なくとも1.4x$のエネルギー効率を持つことを示す。
論文 参考訳（メタデータ） (2022-09-30T06:33:40Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z) - Energy Efficient Edge Computing: When Lyapunov Meets Distributed
Reinforcement Learning [12.845204986571053]
本研究では,エッジコンピューティングによるエネルギー効率のよいオフロード問題について検討する。
考慮されたシナリオでは、複数のユーザが同時に無線およびエッジコンピューティングリソースを競う。
提案されたソリューションは、ベンチマークアプローチと比較してネットワークのエネルギー効率を高めることもできます。
論文 参考訳（メタデータ） (2021-03-31T11:02:29Z) - High-Fidelity Machine Learning Approximations of Large-Scale Optimal
Power Flow [49.2540510330407]
AC-OPFは、多くの電力システムアプリケーションにおいて重要なビルディングブロックである。
本稿では, 再生可能エネルギーの普及にともなって, AC-OPFの効率的な近似を実現するための深層学習について検討する。
論文 参考訳（メタデータ） (2020-06-29T20:22:16Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z)
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。