Se utilizan técnicas de aprendizaje automático para modelar y optimizar el rendimiento de aplicaciones paralelas basadas en agentes. Incluye balanceo de carga, ajuste de rendimiento y benchmarking.
High Performance Computing Applications for Science and Engineering (HPCA4SE)
Anna Sikora, Eduardo César
Modelos de rendimiento utilizando técnicas de aprendizaje automático (ML). Estudio de caracterización de regiones paralelas OpenMP mediante contadores de hardware. Desarrollo de técnicas de ajuste para aplicaciones de modelado basado en agentes (ABM) en paralelo. Optimización de la distribución de agentes según su carga computacional y patrón de comunicación. Benchmark para evaluar plataformas de desarrollo basadas en agentes.
El proceso de optimización del software a menudo es percibido por los desarrolladores como complejo, tedioso y costoso en tiempo, especialmente cuando se busca aprovechar plenamente los recursos HPC. Por ello, es necesario ofrecer nuevas herramientas e integrar técnicas como el aprendizaje automático para apoyar estas tareas. Desde la perspectiva del ajuste de rendimiento y el consumo energético, sigue siendo un desafío definir e implementar metodologías capaces de aprovechar el potencial de los recursos disponibles, superando la complejidad derivada de su heterogeneidad. También se estudian y desarrollan metodologías escalables y eficientes, capaces de adaptarse de forma autónoma e inteligente a la complejidad de las aplicaciones y del hardware.
Herramientas y modelos para el modelado y la optimización del rendimiento de aplicaciones basadas en agentes a gran escala.
Biomedicina, ingeniería, finanzas
Aplicaciones basadas en agentes
TRL: N/A
CRL: N/A
BRL: N/A
IPRL: N/A
TmRL: N/A
FRL: N/A
Si quieres saber más sobre este proyecto no dudes en contactarnos
