Hardware Dimensioning for Transprecision Algorithms through Empirical Model Learning

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.