May, 2023

使用深度强化学习优化内存映射

PDF
TL;DR通过采用强化学习技术，本文提出了一个解决编译机器学习程序中内存映射问题的新方法，称之为 mallocMuZero 算法，并将其应用在 ML 加速器上以缩短执行时间，表现优于目前的默认求解器。
resource schedulingmemory mappingreinforcement learningmachine learning programsexecution time
发现论文，激发创造
  • 多资源多机器作业调度的深度强化学习

    本文在最小化数据中心网络中的工作调度时间方面进行了深入研究，提出了一种基于深度强化学习的改进方法并将其扩展到多个服务器群集，结果表明，相比于传统的资源分配算法，深度强化学习方法在各种复杂环境中有着出色的性能表现。

    Nov, 2017

  • 一种多任务方法的鲁棒深度强化学习用于资源分配

    通过将多任务学习应用于机器学习算法中，结合 Elastic Weight Consolidation 和 Gradient Episodic Memory 的方法，并与增强训练数据分布的现有技术进行比较，本研究证明多任务方法对处理医疗领域等特殊需求的稀有重大事件有很高的效果。

    Apr, 2023

  • 强化学习在空间资源分配中的应用调查

    本文总结和回顾了近期利用强化学习解决空间资源分配问题的理论方法和应用研究，提供了其基本原理、相关方法论和应用研究的综合概述，同时突出了未解决问题的一些紧迫性需求。

    Mar, 2024

  • 多智能体强化学习用于微处理器设计空间探索

    本文提出了使用 Multi-Agent RL 来应对硬件体系结构搜索中领域特定定制的挑战，此方法相对于单一智能体，其可扩展性更高且运行更高效。该方法已在设计领域特定 DRAM 内存控制器上得到验证，并表现出在低功耗和延迟等不同目标方面显著优于单一代理强化学习算法，如 Proximal Policy Optimization 和 Soft Actor-Critic。

    Nov, 2022

  • 资源受限的深度强化学习

    为了优化城市资源分配，本文研究了基于 Deep RL 方法对于资源分配的约束条件以及对模拟器的表现

    Dec, 2018

  • 基于深度强化学习的深度神经网络多租户多加速器系统的在线调度策略

    当前，云服务外包 DNNs 的趋势日益增长。本文介绍了一种针对多租户环境中 DNNs 在线调度的低开销深度强化学习算法 RELMAS，考虑了加速器的数据流异构性和内存带宽竞争问题，提高了服务提供商的硬件利用率并优化了服务水平协议满意率。在包含 Simba 和 Eyeriss 子加速器实例的多异构加速器系统上，与最先进的调度技术相比，在不同工作负载场景下，SLA 满意率提高了 173％，能源开销仅增加了不到 1.5％。

    Apr, 2024

  • 神经地图：深度强化学习的结构化记忆

    本研究开发了一种记忆系统，名为神经图，使用空间结构的 2D 记忆图像来学习存储环境的任意信息，能够在长时间间隔内超越以前的 DRL 记忆并且能够推广到在训练期间未见过的环境。

    Feb, 2017

  • 记忆增强型神经求解器在组合优化中的高效自适应

    MEMENTO 是一种基于记忆的强化学习方法，可以在推理时间动态更新行动分布，提高神经求解器的适应性和性能。

    Jun, 2024

  • 基于深度强化学习的流处理通用资源分配

    本文介绍了一种图嵌入式的编码器 - 解码器框架，以实现在流处理中分配资源任务，同时确保工作负载平衡和通信最小化。采用深度强化学习方法，有效地学习和求解未知图的最优解，并在测试中表现优于 METIS 算法和基于 LSTM 的编码器 - 解码器模型约 70％。

    Nov, 2019

  • 使用进化图强化学习优化内存分配

    本文提出了一种基于进化图强化学习（EGRL）的方法，用于深度神经网络加速器的自动内存映射，该方法结合了图神经网络、强化学习和进化搜索等技术，并在 Intel NNP-I 芯片上进行了训练和验证，实验结果表明，EGRL 在 BERT、ResNet-101 和 ResNet-50 三种工作负载中表现良好，并相对于原生 NNP-I 编译器获得 28-78% 的加速。

    Jul, 2020