Acelerando a estimativa de tempo de execução de alta precisão na seleção adaptativa de amostras para análise de escalabilidade paralela utilizando
Computação de Alto Desempenho, Aprendizagem Ativa, Análise de Escalabilidade, Modelos de regressão.
A análise de escalabilidade da Computação de Alto Desempenho (HPC) é tradicionalmente limitada pelo custo computacional proibitivo da análise empírica exaustiva. Este trabalho propõe acelerar esse processo através da integração de estratégias de Aprendizado Ativo, especificamente Aprendizado Profundo por Reforço, Query-By-Committee e Amostragem Greedy aprimorada, com arquiteturas de regressão de aprendizado de máquina, incluindo Extra Trees, Gradient Boosting e Perceptrons Multicamadas. Avaliada no benchmark Swaptions do PARSEC e na inversão de matrizes via PaScal Suite, a estrutura se concentra em minimizar o tempo de execução. Os resultados experimentais demonstram que o conjunto Extra Trees combinado com o Query-By-Committee alcança o equilíbrio ideal, atingindo a convergência do modelo de alta fidelidade em apenas 161,98 segundos, reduzindo-o em até 92%, enquanto mantém a tendência visual de eficiência em comparação com o original.