Utilização de aprendizado por reforço para adaptar a quantidade de recursos e acelerar aplicações
Resumo
O desempenho de aplicações paralelas depende da quantidade de recursos utilizados. Entretanto, recursos excessivos são frequentemente prejudiciais, uma vez que pode acontecer comunicação excessiva, sincronizações, e comportamentos difíceis de antecipar. Neste artigo, estudamos estratégias de aprendizado por reforço para que no contexto de uma aplicação baseada em tarefas, esta se adapte dinamicamente ao melhor conjunto de nós heterogêneos.
Referências
Gramacy, R. (2020). Surrogates: Gaussian Process Modeling, Design, and Optimization for the Applied Sciences. Chapman & Hall/CRC Texts in Statistical Science. CRC Press.
HPE, U.-U. H., Laure, E., Narasimhamurthy, S., and Suarez, E. (2022). Heterogeneous high performance computing. ETP4HPC White Paper.
Nesi, L. L., Legrand, A., and Schnorr, L. M. (2021). Exploiting system level heterogeneity to improve the performance of a geostatistics multi-phase task-based application. In 50th International Conference on Parallel Processing, ICPP, New York, NY, USA. ACM.
Nesi, L. L., Schnorr, L. M., and Legrand, A. (2022). Multi-Phase Task-Based HPC Applications: Quickly Learning how to Run Fast. In 2022 IEEE Int. Parallel and Dist. Proc. Symp. (IPDPS).
Thibault, S. (2018). On Runtime Systems for Task-based Programming on Heterogeneous Platforms. Habilitation à diriger des recherches, Université de Bordeaux.