Towards an Autonomous Framework for HPC Optimization: Using Machine Learning for Energy and Performance Modeling

Abstract

Performance and energy efficiency are now critical concerns in high performance scientific computing. It is expected that requirements of the scientific problem should guide the orchestration of different techniques of energy saving, in order to improve the balance between energy consumption and application performance. To enable this balance, we propose the development of an autonomous framework to make this orchestration and present the ongoing research to this development, more specifically, focusing in the characterization of the scientific applications and the performance modeling tasks using Machine Learning.

Towards a sustainable artificial intelligence: A case study of energy efficiency in decision tree algorithms

“…Green Computing focuses on reducing the EC of data centers or reducing the energy used in cooling it 20 . Among these studies, some of them are focused on reducing the energy consumed by data centers using AI to improve the balance between performance and EC (AI and ML for HPC), to predict runtime and improve the job scheduling 21,22 . Although these works are not focused on Green AI, that is, reducing the EC of the AI and ML algorithms, they could be beneficial in any way since a lot of today's workload in those data centers includes AI and ML.…”

Avaliação do Consumo de Energia e o Impacto da emissão de CO2 para algoritmos de Inteligência Artificial

“…Porém, a literatura nestaárea aindaé escassa. O que se encontra são trabalhos que avaliam o desempenho (acurácia e tempo de execução, por exemplo) de diferentes algoritmos de AM para resolver tarefas específicas em umaárea de aplicação [Malakar et al 2018, Olson et al 2017, Serpa et al 2018] ou trabalhos que utilizam os algoritmos de AM para predizer o desempenho e o consumo de energia para execução de uma aplicação [Ferreira et al 2017, Wu et al 2016, Klôh et al 2019.…”

Em Busca de uma Inteligência Artificial Ecologicamente Viável: Um estudo de caso do Consumo Energético de Algoritmos de íArvore de Decisão

“…A maioria dos trabalhos encontrados na literatura tratam do desempenho de algoritmos de AM com foco na precisão dos modelos para resolver tarefas específicas em umaárea de aplicação, tais como [Malakar et al 2018, Olson et al 2017, Serpa et al 2018. Ou ainda, trabalhos que usam algoritmos de AM para predizer o desempenho e o consumo de energia sobre a execução de uma aplicação científica [Siegmund et al 2015, Wu et al 2016, Ferreira et al 2017, Klôh et al 2019. Porém, ainda existem poucos trabalhos que avaliam o consumo de energia dos algoritmos de AM [Li et al 2016, Garcia-Martin et al 2017, Yang et al 2017, Abdelhafez et al 2019, García-Martín et al 2019.…”

“…https://docs.python.org/3/library/profile.html 4 http://kcachegrind.sourceforge.net/html/Home.html 5 Os detalhes de utilização da ferramenta perf estão disponíveis em[Klôh et al 2019] …”