Este artigo propõe uma infraestrutura para realizar a exploração do espaço de projetos de sistemas computacionais com unidades de processamento gráfico (GPUs) em conjunto com núcleos para processamento de propósito geral, com o objetivo de reduzir dark silicon e aumentar o desempenho do sistema em tempo de projeto. A ferramenta GPGPUSim de simulação e estimativa fı́sica de projeto foi estendida para realizar estimativas de dark silicon das plataformas de GPUs e, em seguida, foi integrada ao framework MultiExplorer. Adicionalmente, foi desenvolvida uma estratégia para estimativa de desempenho das plataformas de GPU e a modelagem de bases de dados que passaram a utilizar tanto núcleos de GPU quanto de plataformas multicore (núcleos de propósito geral), possibilitando, assim, a exploração do espaço de projeto buscando arquiteturas heterogêneas GP-GPUs.
Simuladores de sistemas heterogêneos GP-GPU procuram oferecer acurácia de desempenho ao custo de elevado tempo de execução. Com o objetivo de evitar o custoso processo de simulação durante as etapas de exploração arquitetural de sistemas baseados em GPUs, desenvolvemos e avaliamos diversos preditores de desempenho de GPUs baseados em algoritmos de aprendizado de máquina com acurácia e baixo custo computacional. A qualidade dos preditores desenvolvidos neste trabalho foi avaliada por meio de métricas como coeficiente de determinação, score de treinamento e validação cruzada. Preditores baseados nas técnicas de Random Forest e SVR apresentaram os melhores resultados tanto em acurácia quanto performance.
The limitations on the scalability of computer systems imposed by the dark‐silicon effects are so severe that they support the extensive use of heterogeneity such as the GP‐GPU for general purpose processing. Performance simulators of GP‐GPU heterogeneous systems aim to provide performance accuracy at the cost of execution time. In this work, we handle time‐consuming simulations of design space exploration systems based on GPUs. We have developed performance predictors based on machine learning (ML) algorithms and evaluated them in accuracy and throughput (number of predictions per second). We measure model accuracy through the mean absolute percentage error (MAPE) and the model efficiency through a throughput metric (millions of predictions per second). Our experiments revealed that decision trees predictors are the most promising regarding accuracy and efficiency. We applied the best predictors into the MultiExplorer, a dark silicon‐aware design space exploration tool that allows designers to explore the architecture and microarchitecture of multicore/manycore system design.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.