Článek ve sborníku konference

NIKL Vojtěch, ŘÍHA Lubomír, VYSOCKÝ Ondřej a ZAPLETAL Jan. Optimal Hardware Parameters Prediction for Best Energy-to-Solution of Sparse Matrix Operations Using Machine Learning Techniques. In: INFOCOMP 2018. Barcelona: Mezinárodní asociace univerzit, výzkumu a průmyslu, 2018, s. 43-48. ISBN 978-1-61208-655-2. Dostupné z: https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=4&ved=2ahUKEwj45dbYkMfdAhUilYsKHQe1DkwQFjADegQIBxAC&url=https%3A%2F%2Fwww.thinkmind.org%2Fdownload_full.php%3Finstance%3DINFOCOMP%2B2018&usg=AOvVaw0F5eFy3SoDGqt3wTWnO1GV
Jazyk publikace:angličtina
Název publikace:Optimal Hardware Parameters Prediction for Best Energy-to-Solution of Sparse Matrix Operations Using Machine Learning Techniques
Název (cs):Predikce optimálních hardwarových parametrů za účelem snížení spotřeby operací nad řídkými matice pomocí neuronových sítí
Strany:43-48
Sborník:INFOCOMP 2018
Konference:The Eighth International Conference on Advanced Communications and Computation
Řada knih:The Eighth International Conference on Advanced Communications and Computation
Místo vydání:Barcelona, ES
Rok:2018
URL:https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=4&ved=2ahUKEwj45dbYkMfdAhUilYsKHQe1DkwQFjADegQIBxAC&url=https%3A%2F%2Fwww.thinkmind.org%2Fdownload_full.php%3Finstance%3DINFOCOMP%2B2018&usg=AOvVaw0F5eFy3SoDGqt3wTWnO1GV
ISBN:978-1-61208-655-2
Vydavatel:Mezinárodní asociace univerzit, výzkumu a průmyslu
Klíčová slova
sparse, neural networks, energy efficiency, prediction
Anotace
Důraz na energetickou efektivitu moderních procesorů jde v dnešní době čím dál více do popředí. Mnoho problémů a algoritmů špatně škáluje s výkonem a počtem procesorových jader, protože jsou omezeny např. výkonem pamětí nebo komunikační sítí, proto nemá smysl v těchto případech používat drahé výkonné procesory, jejichž potenciál by zůstal nevyužit. Místo toho je výhodnější využít nízkopříkonovou architekturu, které jsou při řešení takovýchto úloh efektivnější. Energetická efektivita se dá dále zlepšovat s pomocí dynamických optimalizací hardwaru systému za běhu algoritmu, např. pomocí podtaktovávání nebo vypínání jader procesoru v době jejich nízkého vytížení. Tento článek popisuje výhody získané při použití takovéto nízkopříkonové architektury v rámci HPC clusteru, skupinu algoritmů, pro které je tento přístup vhodný, možné úpravy systému zvyšující jeho efektivitu, dosažené výsledky a budoucí plány.
BibTeX:
@INPROCEEDINGS{
   author = {Vojt{\v{e}}ch Nikl and Lubom{\'{i}}r
	{\v{R}}{\'{i}}ha and Ond{\v{r}}ej Vysock{\'{y}}
	and Jan Zapletal},
   title = {Optimal Hardware Parameters Prediction for Best
	Energy-to-Solution of Sparse Matrix Operations
	Using Machine Learning Techniques},
   pages = {43--48},
   booktitle = {INFOCOMP 2018},
   series = {The Eighth International Conference on Advanced
	Communications and Computation},
   year = 2018,
   location = {Barcelona, ES},
   publisher = {International Academy, Research, and Industry Association},
   ISBN = {978-1-61208-655-2},
   language = {english},
   url = {http://www.fit.vutbr.cz/research/view_pub.php.cs?id=11682}
}

Vaše IPv4 adresa: 3.83.192.109