Description
Date depot: 1 juin 2022
Titre: Stratégie d’optimisation pour l’exploration d’architecture de calcul haute performance
Directrice de thèse:
Alix MUNIER (LIP6)
Encadrante :
Lilia ZAOURAR (CEA)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Algorithmique, combinatoire
Resumé: La conception de nouvelles générations de processeurs dotés de multiples cœurs et d’interfaces rapides pour le calcul haute-performance est un challenge. Dans ce contexte, le développement d’outils d’aide à la décision pour la conception de ces processeurs est indispensable et présente de nombreux défis, ce qui en fait un champ de recherche très actif. Le point départ de cette étude est un ensemble important de simulations de l’exécution d’une ou plusieurs applications sur une architecture matérielle définie par un ensemble de paramètres : nombre et type de cœurs, hiérarchie mémoire, dimensionnement des caches, réseaux d’interconnexion etc... . Ces simulations fournissent un ensemble de mesures de performance comme le temps d’exécution de l’application sur l’architecture choisie, la surface de l’architecture, la consommation etc..
Le premier travail va consister à étudier les résultats fournis par ces simulations pour formuler un ou plusieurs problèmes d’optimisation multi-objectifs. Le nombre très élevé des données issues des simulations doit permettre d’exprimer les objectifs en fonction des paramètres du modèle. Différentes techniques de régression (linéaires, logistiques) ou des techniques de machine learning seront développées pour déterminer et tester expérimentalement les méthodes retenues. Le but ici est de réduire les paramètres significatifs de l’architecture matérielle et de prédire les résultats des simulations non effectuées.
Dans un second temps, le problème sera d’étudier la résolution du problème multi-objectif obtenu. Il s’agit de développer et comparer plusieurs méthodes pour résoudre concrètement et efficacement le problème d’optimisation posé. Le nombre important de données permet d’envisager le développement de méthodes d’apprentissage pour accélérer les algorithmes d’optimisation développés.
Le candidat pourra s’appuyer sur des travaux existant dans l’équipe pour l’intégration de ces algo- rithmes dans le framework A-DECA (Automated Design space Exploration for Computing Architectures) développé au Laboratoire Environnement de Conception et Architecture (LECA) du CEA-LIST. Une première solution basée sur un algorithme génétique existe déjà Elle permet d’obtenir un ensemble non dominé de configurations pour des exemples d’architectures multi-cœurs homogènes.
Doctorant.e: Fu Vincent