Prevendo o Desempenho de GPU a Partir de Execuções de CPU Usando Aprendizado de Máquina

As unidades de processamento gráfico (GPUs) podem oferecer ganhos de desempenho consideráveis em relação a processadores de propósito geral. No entanto, a melhoria de desempenho de GPU varia consideravelmente entre aplicações. Portar aplicações para GPUs reescrevendo código com linguagens específicas para GPU requer um esforço significativo. Consequentemente, é desejável prever quais aplicações se beneficiariam mais antes de serem portadas para a GPU. Este artigo mostra que técnicas de aprendizado de máquina podem construir modelos preditivos precisos para aceleração de GPU. Este estudo apresenta uma abordagem que aplica algoritmos de aprendizado supervisionado para inferir modelos preditivos, com base em dados de perfil dinâmico coletados por meio de execuções instrumentadas em processadores de propósito geral. Para um conjunto de 18 benchmarks paralelos, os resultados mostram que um pequeno conjunto de características facilmente obtidas pode prever a magnitude dos aumentos de velocidade da GPU em duas GPUs de alto desempenho diferentes, com precisões variando entre 77% e 90%, dependendo do mecanismo de previsão e cenário. Para aplicações já portadas, modelos semelhantes podem prever o melhor dispositivo para executar uma aplicação com uma precisão efetiva de 91%.