Using Reinforcement Learning for cost-effective sampling strategies in scalability analysis tools

• Pedro Rici UFRN
• Samuel Xavier-de-Sousa UFRN

DOI: https://doi.org/10.5753/erad-ne.2025.11750

Abstract

A crescente demanda por poder computacional em áreas como simulações científicas e inteligência artificial torna a análise de escalabilidade essencial em ambientes de Computação de Alto Desempenho (HPC). Este trabalho propõe uma estratégia baseada em Aprendizado por Reforço para reduzir o tempo dessa análise, mantendo sua acurácia. A abordagem será aplicada à ferramenta PaScal Suite, com um agente treinado para selecionar amostras mais econômicas.

References

da Silva, A. B., Cunha, D. A., Silva, V. R., de A. Furtunato, A. F., and Xavier-de Souza, S. (2017). Pascal viewer: A tool for the visualization of parallel scalability trends. In International Workshop on Extreme-Scale Programming Tools, pages 250–264. Springer.

Geimer, M., Wolf, F., Wylie, B. J., Ábrahám, E., Becker, D., and Mohr, B. (2010). The scalasca performance toolset architecture. Concurrency and computation: Practice and experience, 22(6):702–719.

Pacheco, P. (2011). An introduction to parallel programming. Elsevier.

Ritter, M., Calotoiu, A., Rinke, S., Reimann, T., Hoefler, T., and Wolf, F. (2020). Learning cost-effective sampling strategies for empirical performance modeling. In 2020 IEEE International Parallel and Distributed Processing Symposium (IPDPS), pages 884–895.