論文の概要: X-OPM: Explainable Automatic Digital On-Chip Power Modeling for Enhanced Robustness

• arxiv url: http://arxiv.org/abs/2610.08502v1
• Date: Tue, 06 Oct 2026 15:09:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.0692
• Title: X-OPM: Explainable Automatic Digital On-Chip Power Modeling for Enhanced Robustness
• Title（参考訳）: X-OPM:ロバストネス向上のための説明可能なディジタルオンチップパワーモデリング
• Abstract要約: 電力管理システムは、電力予測と電力認識スケジューリングによってプロセッサの動的電力を削減する。 正確な、安定的で、低オーバーヘッドのデジタルオンチップパワーメータ(OPM)は、予測品質の向上に不可欠である。 X-OPMは、ツリーベースのモデルを使用して、機能インタラクションと予測のための線形モデルをキャプチャする堅牢な機能エンジニアリングフレームワークを導入している。
• 参考スコア（独自算出の注目度）: 7.293922873067533
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Proactive power management systems reduce processor dynamic power through runtime power prediction and power-aware scheduling. Accurate, stable and low-overhead digital on-chip power meters (OPMs) are crucial for improving the prediction quality. Recent studies have explored various modeling methods, including using linear models, decision trees, and multi-layer perceptrons (MLPs) to construct OPMs. However, most current approaches train models end-to-end without analyzing the physical interpretability of features, affecting their ability to generalize to unseen workloads. Grounded in the design principles of synchronous digital VLSI circuits, X-OPM introduces a robust feature engineering framework that uses tree-based models to capture feature interactions and linear models for prediction. It also incorporates a human-in-the-loop workflow to balance model accuracy against modeling effort. Evaluated on a commercial C906 vector processor, X-OPM consistently achieves $R^2 > 0.93$ across all workloads with sampling window size set below $8$ cycles. In contrast, state-of-the-art methods including APOLLO, COBIT, and standard MLPs fail to generalize across all test cases. Layout with commercial EDA tools shows that X-OPM incurs an area overhead below $0.1\%$, which is on par with lightweight tree-based and linear models, and significantly smaller than MLP-based models.
• Abstract（参考訳）: アクティブな電力管理システムは、実行時電力予測と電力認識スケジューリングによってプロセッサの動的電力を削減する。 正確な、安定的で、低オーバーヘッドのデジタルオンチップパワーメータ(OPM)は、予測品質の向上に不可欠である。 近年、線形モデル、決定木、多層パーセプトロン(MLP)を用いてOPMを構築するなど、様々なモデリング手法が研究されている。 しかしながら、現在のほとんどのアプローチは、機能の物理的解釈可能性を分析することなく、エンドツーエンドでモデルをトレーニングし、目に見えないワークロードに一般化する能力に影響を与える。 同期デジタルVLSI回路の設計原理に基づいて、X-OPMは木ベースのモデルを用いて特徴の相互作用と予測のための線形モデルをキャプチャする堅牢な機能エンジニアリングフレームワークを導入した。 また、モデル精度とモデリングの労力のバランスをとるために、Human-in-the-loopワークフローも組み込まれている。 商用のC906ベクタープロセッサで評価され、X-OPMは連続して$R^2 > 0.93$を全てのワークロードで達成し、サンプリングウィンドウサイズは8$サイクル以下である。 対照的に、APOLLO、COBIT、標準MPPといった最先端の手法は、全てのテストケースで一般化できない。 商用のEDAツールによるレイアウトでは、X-OPMは、軽量ツリーベースおよびリニアモデルと同等で、MLPベースのモデルよりも大幅に小さい、$0.1\%以下のオーバヘッドを発生している。

関連論文リスト

• Automated Machine Learning Pipeline for Training and Analysis Using Large Language Models [0.0]
  データセット生成からモデル検証まで、ワークフロー全体を統一する自動機械学習パイプライン(AMLP)を導入します。 AMLPは、電子構造コードの選択、入力準備、出力変換を支援するために、大きな言語モデルエージェントを使用する。 アクリジンのポリモルフィックで検証され、基礎モデルの素直な微調整により、エネルギーの1.7 meV/原子と力の7.0 meV/AAの絶対誤差が達成される。
  論文  参考訳（メタデータ） (2025-09-25T22:05:20Z)
• STORM: Efficient Stochastic Transformer based World Models for Reinforcement Learning [82.03481509373037]
  近年,モデルに基づく強化学習アルゴリズムは視覚入力環境において顕著な有効性を示している。 本稿では,強力なモデリングと生成機能を組み合わせた効率的な世界モデルアーキテクチャであるTransformer-based wORld Model (STORM)を紹介する。 Stormは、Atari 100$kベンチマークで平均126.7%の人的パフォーマンスを達成し、最先端のメソッドの中で新しい記録を樹立した。
  論文  参考訳（メタデータ） (2023-10-14T16:42:02Z)
• Introducing a Deep Neural Network-based Model Predictive Control Framework for Rapid Controller Implementation [41.38091115195305]
  本研究は、HCCI燃焼制御のためのディープニューラルネットワーク(DNN)に基づく非線形MPCの実験的実装を示す。 ARM Cortex A72上のMPCのリアルタイム実装を可能にするために、Acadosソフトウェアパッケージを使用することで、最適化計算は1.4ms以内で完了する。 現像した制御器のIMEP軌道は, プロセス制約の観測に加えて, 根平均2乗誤差0.133バールで良好であった。
  論文  参考訳（メタデータ） (2023-10-12T15:03:50Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• Predictable MDP Abstraction for Unsupervised Model-Based RL [93.91375268580806]
  予測可能なMDP抽象化(PMA)を提案する。 元のMDPで予測モデルを訓練する代わりに、学習されたアクション空間を持つ変換MDPでモデルを訓練する。 我々はPMAを理論的に解析し、PMAが以前の教師なしモデルベースRLアプローチよりも大幅に改善することを示す。
  論文  参考訳（メタデータ） (2023-02-08T07:37:51Z)
• 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)
• Blending MPC & Value Function Approximation for Efficient Reinforcement Learning [42.429730406277315]
  モデル予測制御(MPC)は、複雑な実世界のシステムを制御する強力なツールである。 モデルフリー強化学習(RL)によるMPC改善のためのフレームワークを提案する。 我々は,本手法がmpcに匹敵する性能と真のダイナミクスを両立できることを示す。
  論文  参考訳（メタデータ） (2020-12-10T11:32:01Z)

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。