FenixEdu™

Dissertação

Exploiting GPU Undervoltage to Improve the Energy Efficiency of Deep Learning Applications EVALUATED

Detalhes: A crescente procura por aplicações de aprendizagem automatiza está a estimular o aumento da performance das mesmas. No entanto, este incremento de performance é normalmente alcançado à custa de um aumento dos requisitos computacionais, cuja eficiência energética é, por norma, ignorada. Dispositivos de Processamento Gráfico de Propósito Geral (GPGPU), sendo os aceleradores de eleição para este género de aplicações, têm um papel importante na sua disponibilização global. Todavia, estes dispositivos apresentam consumos energéticos elevados que para além dos custos operacionais que implicam, colocam ambientes com recursos limitados à margem destas tecnologias. Para mitigar este problema, no âmbito desta tese, é proposta uma abordagem para estudar potenciais ganhos de energia obtidos ao reduzir a tensão de alimentação de GPGPUs, usando o dispositivo AMD Radeon Vega Frontier Edition. Este processo é inicialmente reproduzido utilizando aplicações padrão com o objetivo de caracterizar a margem de tensão do dispositivo imposta pelo fabricante. Depois, é também reproduzido utilizando modelos atuais de aprendizagem automática permitindo conhecer o seu comportamento sob baixas tensões de alimentação. Os resultados mostram que os modelos de aprendizagem automática podem atingir eficiências energéticas que chegam aos 24.79% (média de 15.35%) e ainda assim garantir a precisão inicial. Não obstante, é ainda possível obter melhores eficiências energéticas, até um máximo de 30.16% (média de 18.37%) sob pena de perda de precisão do modelo quando o dispositivo GPGPU trabalha a níveis de tensão próximos do seu colapso.
Keywords: Margem de segurança de tensão, Unidade de Processamento Gráfico, Eficiência energética, Aprendizagem automática

Discussão: janeiro 26, 2021, 16:0