Аналіз шляхів оптимізації проектування комп‘ютерних систем з використанням методів машинного навчання і штучного інтелекту

Abstract

В статті розглянуто ключові аспекти використання методів машинного навчання, зокрема методу навчання з підкріпленням, методу графових нейронних мереж, методу байєсівської оптимізації та методу пояснювального штучного інтелекту, для автоматизації процесів розміщення, трасування, управління енергоспоживанням та прогнозування використання обчислювальних ресурсів комп’ютерних систем. Метою статті є систематизація сучасних досягнень у сфері застосування методів машинного навчання для оптимізації проектування комп’ютерних систем та аналіз їх ефективності у контексті визначення ключових викликів і перспектив розвитку. У статті проведено порівняльний аналіз сучасних методів машинного навчання та штучного інтелекту, таких як навчання з підкріпленням, графові нейронні мережі, байєсівська оптимізація та пояснювальний штучний інтелект, для оптимізації процесів проектування комп’ютерних систем. Дослідження базується на систематизації підходів до оптимізації проектування КС. Використано порівняльний аналіз інструментів, зокрема VPR-Gym, у контексті FPGA CAD-потоків, з акцентом на оцінку їхньої ефективності для скорочення часу проектування КС та підвищення їх енергоефективності. Запропоновано класифікацію сучасних підходів до оптимізації проектування комп’ютерних систем з використанням платформ штучного інтелекту за критеріями: тип методу (навчання з підкріпленням, графові нейронні мережі), сфера застосування (розміщення, трасування, енергоспоживання), рівень складності (FPGA, центри обробки даних) та ефективність (зменшення часу, ресурсів). Класифікація дозволяє ідентифікувати ключові виклики, такі як інтеграція великих мовних моделей штучного інтелекту (наприклад, GPT-3) та гібридних архітектур, розширюючи наявні підходи до оптимізації проектування КС. Отримані результати дозволяють обирати та впроваджувати методи машинного навчання і штучного інтелекту для оптимізації проектування комп’ютерних систем, забезпечуючи скорочення часу розробки та підвищення їх енергоефективності. На основі запропонованої класифікації розроблено підхід до оцінки можливостей використання штучного інтелекту до проектування реальних комп’ютерних систем, враховуючи необхідність їх масштабування.

Key aspects of using machine learning methods, in particular reinforcement learning, graph neural networks. Bayesian optimization, and explanatory artificial intelligence, are considered to automate the processes of placement, tracing, power management, and forecasting the use of computing resources of computer systems.