文献

J-GLOBAL ID：202002283969248627   整理番号：20A2623202

DiffTune:学習微分可能代理器によるCPUシミュレータパラメータの最適化【JST・京大機械翻訳】

DiffTune: Optimizing CPU Simulator Parameters with Learned Differentiable Surrogates

著者 (4件)： Renda Alex (MIT CSAIL) ,  Chen Yishen (MIT CSAIL) ,  Mendis Charith (MIT CSAIL) ,  Carbin Michael (MIT CSAIL)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： MICRO  ページ： 442-455  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： CPUシミュレータはCPU実行挙動をモデル化するための有用なツールである。しかし,それらは個々の指示の待ち時間のようなそれらの細粒パラメータを設定するコストと複雑性のため不正確性に悩まされる。この複雑性は,そのような微細粒度でパラメータ値を正確に測定できるベンチマークと測定フレームワークを設計するのに必要な専門知識から生じる。いくつかの場合,これらのパラメータは必ずしも物理的実現を持たず,従って基本的に近似的であり,測定不能である。本論文では,粗粒エンドツーエンド測定からx86基本ブロックCPUシミュレータのパラメータを学習するためのシステムであるDiffTuneを提案した。シミュレータを与えられた場合,DiffTuneは元のシミュレータを,元の関数を近似する別の関数で,元のシミュレータをまず置き換えることにより,そのパラメータを学習する。代理微分可能,DiffTuneは,元の関数が非微分可能であっても,CPUシミュレータの場合のように,勾配ベース最適化技術を適用することができる。この微分可能なサロゲートを用いて,DiffTuneは勾配ベース最適化を適用して,地上の真のエンドツーエンド性能測定のデータセット上のシミュレータの誤差を最小化するシミュレータのパラメータ値を生成した。最後に,学習したパラメータを元のシミュレータに戻した。DiffTuneは,LLVMの命令スケジューリングモデルに基づく基本的なブロックCPUシミュレータであるllvm-mcaのIntel x86シミュレーションモデル内のマイクロアーキテクチャ特異的パラメータの全体のセットを自動的に学習できる。DiffTuneの学習されたパラメータは,そのオリジナル,エキスパート-証明パラメータ値のそれと一致するだけでなく,より低い平均誤差に対してllvm-mcaを導いた。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *最適化 ,  *学習 ,  シミュレーションモデル ,  *シミュレータ ,  最適化手法 ,  近似法 ,  *微分 ,  エンドツーエンド方式 ,  待ち時間 ,  ベンチマーク
準シソーラス用語： マイクロアーキテクチャ ,  複雑性 ,  専門知識 ,  性能測定 ,  LLVM , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： 学習 ,  微分 ,  CPU ,  シミュレータ ,  パラメータ ,  最適化