Исследователи проанализировали применимость моделей машинного обучения для оценки производительности процессоров, сравнив их с традиционным поцикловым моделированием. Выяснилось, что хотя ML-предикторы значительно ускоряют процесс, они сталкиваются с трудностями при ранжировании различных конфигураций оборудования на уровне отдельных фаз выполнения программ, что критически важно для проектирования современных микроархитектур.
В работе оценивались четыре типа ML-предикторов в двух режимах проектирования: варьирование структурных параметров и изменение параметров управления. Основная проблема заключается в том, что модели часто успешно воспроизводят общие тренды производительности, но допускают ошибки при определении относительного порядка эффективности конфигураций в специфических вычислительных сценариях. Это ограничивает использование нейросетевых методов в задачах глубокого исследования пространства проектирования аппаратного обеспечения.
Авторы подчеркивают, что точность предсказаний ML-моделей сильно зависит от того, насколько детально учитываются динамические фазы работы кода. Для задач оптимизации микроархитектурных политик стандартных подходов к обучению на агрегированных данных оказывается недостаточно, так как они не всегда улавливают тонкие различия в поведении кэш-памяти и конвейеров при смене конфигураций.
Ключевые факты
- Исследование сфокусировано на сравнении ML-предикторов с поцикловым моделированием (cycle-level simulation).
- Протестированы четыре различных ML-модели в режимах Structural Parameters (SP) и Policy Parameters (PP).
- Выявлена неспособность моделей точно ранжировать конфигурации оборудования на уровне отдельных фаз выполнения программ.
- Работа указывает на необходимость улучшения методов обучения для задач проектирования аппаратных систем (design-space exploration).