Hardware Dimensioning for Transprecision Algorithms through Empirical Model Learning

Pazzaglia, Marco (2022) Hardware Dimensioning for Transprecision Algorithms through Empirical Model Learning. [Laurea magistrale], Università di Bologna, Corso di Studio in Ingegneria informatica [LM-DM270], Documento ad accesso riservato.
Documenti full-text disponibili:
[img] Documento PDF (Thesis)
Full-text accessibile solo agli utenti istituzionali dell'Ateneo
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato

Download (1MB) | Contatta l'autore

Abstract

Questa tesi ha come obiettivo quello di selezionare la miglior architettura hardware per l'esecuzione di determinati algoritmi eseguiti a precisione ridotta. E' stato utilizzando un modello di ottimizzazione che a partire da algoritmi di intelligenza artificiale e vari vincoli, sia in grado di selezionare il miglior hardware su cui eseguire questi benchmark. Sono state considerate 3 architetture: un PC laptop, una virtual machine fornita da Azure e un sistema HPC di cineca. Questa tesi si concentra su un caso di studio di transprecision computing e vengono considerati in particolare 5 algoritmi: BlackScholes, Convolution, Correlation, FWT e Saxpy. I vincoli di fondamentale importanza per la selezione dell'hardware sono stati imposti su 3 differenti target: tempo di esecuzione, picco di memoria e errore. Lo strumento utilizzato per eseguire il modello di ottimizzazione è HADA, un software open source che sfruttando anche l'Empirical Model Learning, permette di integrare modelli di Machine Learning ed utilizzarli come vincoli. Questo progetto di ottimizzazione è parte integrante di un ambito chiamato vertical matchmaking, che si occupa di studiare la configurazione migliore sia per quanto riguarda la parte hardware che quella software.

Abstract
Tipologia del documento
Tesi di laurea (Laurea magistrale)
Autore della tesi
Pazzaglia, Marco
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
transprecision computing,ottimizzazione,Machine Learning,hardware dimensionig
Data di discussione della Tesi
22 Marzo 2022
URI

Altri metadati

Statistica sui download

Gestione del documento: Visualizza il documento

^