Uso de aprendizado de máquina para reduzir o tempo de exploração de espaço de projeto de multicores heterogêneos com CGRAs

exploração do espaço de projeto; multicores heterogêneos; aceleradores reconfiguráveis; aprendizado de máquina; comitês de máquina.

A cada ano aumenta-se a demanda por recursos computacionais das aplicações que executam em sistemas embarcados. Para atender a essa demanda, os projetos desses sistemas tem feito uso da combinação de componentes diversificados, resultando em plataformas heterogêneas que buscam balancear o poder de processamento com o consumo de energia. Entretanto, uma questão chave no projeto desses sistemas é quais componentes combinar para atender ao desempenho esperado ao custo de área e energia adicionais. Realizar uma vasta exploração do espaço de projeto permite mensurar previamente custo dessas plataformas antes da fase de fabricação. Entretanto com a crescente diversidade de componentes que se pode integrar em um sistema embarcado heterogêneo, a quantidade de possibilidades de soluções a serem avaliadas cresce de maneira exponencial. Avaliar o custo de uma dessas soluções através da síntese em hardware é uma tarefa extremamente custosa. E mesmo a alternativa de síntese em alto nível não permite sintetizar todas as possibilidades de solução e atender ao time-to-market. Nesse trabalho, é proposto o uso de modelos de predição baseados em algoritmos de aprendizado de máquina para a construção de uma ferramenta de exploração de espaço de projeto de sistemas heterogêneos compostos por processadores de propósito geral e aceleradores reconfiguráveis. Essa ferramenta visa agilizar a exploração em estágios iniciais do projeto de sistemas embarcados heterogêneos e alcançar elevadas taxas de acurácia na predição dos custos das soluções. Apesar de haverem soluções na literatura que façam uso da mesma abordagem de predição, em geral, essas soluções abordam a exploração de parâmetros microarquiteturais de apenas um dos componentes (seja processadores ou aceleradores). Esse trabalho propõe a variação dos parâmetros de ambos os componentes e ainda propõe o uso de comitês de máquina para elevar a acurácia da predição dos modelos construídos. Resultados preliminares apresentam que os modelos de predição construídos conseguem alcançar uma taxa de acurácia na predição de até 98% e reduzir em 104x o tempo para a exploração do espaço de projeto.