This work builds upon Ipek et al.’s

This work builds upon Ipek et al.’s RL-based framework. We propose MORSE, a systematic and general mechanism to designing self-optimizing DRAM schedulers that can target arbitrary figures of merit. We employ genetic algorithms to automatically calibrate the relative importance that the scheduler places on the different DRAM actions for a given environment and objective function (Section 3.1.2). We also employ a multi-factor variation of feature selection that takes into account first-order interactions among system attributes, which are used by the scheduler to sense the system’s state at each point in time (Section 3.1.3). Importantly, the resulting hardware need not directly observe the objective function on the field: only during training at design time (using simulation models) does our framework require the objective function to be observable. This allows our framework to target relatively sophisticated figures of merit that would be generally hard to measure on the field (e.g.,weighted speedup). Still, the hardware can be made to allow for on-the-field reconfiguration (Section 4).

ผลลัพธ์ (ไทย) 1:

งานนี้สร้างเมื่อกรอบ RL-ตาม ipek, et al. 's เรานำเสนอมอร์สเป็นระบบและกลไกทั่วไปเพื่อการออกแบบกำหนดการของ DRAM ตนเองเพิ่มประสิทธิภาพที่สามารถกำหนดเป้​​าหมายตัวเลขพลบุญ เราจ้างขั้นตอนวิธีทางพันธุกรรมโดยอัตโนมัติปรับความสำคัญที่สถานที่จัดตารางเวลาเมื่อการกระทำของ DRAM แตกต่างกันสำหรับสภาพแวดล้อมที่กำหนดและฟังก์ชันวัตถุประสงค์ (3.1.2 ส่วน)เรายังใช้รูปแบบหลายปัจจัยของการเลือกคุณลักษณะที่คำนึงถึงสายยปฏิสัมพันธ์ RST-order ในหมู่คุณสมบัติของระบบซึ่งจะถูกใช้โดยกำหนดการรู้สึกถึงระบบโ€ s รัฐแต่ละจุดในเวลา (3.1.3 ส่วน) . ที่สำคัญส่งผลให้ฮาร์ดแวร์ไม่จำเป็นต้องสังเกตโดยตรงฟังก์ชั่นวัตถุประสงค์ในสายย Eld:กรอบการทำงานของเราไม่เพียง แต่ในระหว่างการฝึกอบรมในเวลาออกแบบ (โดยใช้แบบจำลองการจำลอง) จำเป็นต้องมีฟังก์ชันวัตถุประสงค์ที่จะติดตาม นี้จะช่วยให้กรอบการทำงานของเราที่จะกำหนดเป้​​าหมายที่มีความซับซ้อนค่อนข้างสาย gures ยบุญที่จะมักยากที่จะวัดบนสนาม (เช่น speedup ถ่วงน้ำหนัก) ยังคงฮาร์ดแวร์สามารถทำเพื่อให้สามารถบนสนาม reconfi ย guration (มาตรา 4)

ผลลัพธ์ (ไทย) 2:

งานนี้สร้างตาม Ipek et al. RL ตามกรอบ เราเสนอมอร์ส กลไกทั่วไป และระบบการออกแบบ schedulers DRAM ประสิทธิภาพด้วยตนเองที่สามารถระบุตัวเลขที่กำหนดของบุญ เราใช้อัลกอริทึมทางพันธุกรรมโดยอัตโนมัติปรับเทียบความสำคัญที่ตัวจัดกำหนดการการดำเนินการ DRAM ต่างสภาพแวดล้อมที่กำหนดและฟังก์ชันวัตถุประสงค์ (หัวข้อ 3.1.2) นอกจากนี้เรายังจ้างหลายปัจจัยความแปรปรวนของคุณลักษณะตัวเลือกที่จะเข้าบัญชีไร้สายสั่ง rst โต้ในแอตทริบิวต์ระบบ ที่ใช้ โดยตัวจัดกำหนดการสัมผัสสถานะของระบบในแต่ละจุดเวลา (ส่วนเป็น 3.1.3) สำคัญ ฮาร์ดแวร์เกิดขึ้นต้องไม่ตรงสังเกตฟังก์ชันวัตถุประสงค์บน eld ไร้สาย: เท่านั้นในระหว่างการฝึกอบรมในขณะออกแบบ (โดยใช้รูปแบบจำลอง) ของเรากรอบต้องฟังก์ชันวัตถุประสงค์จะ observable นี้ช่วยให้กรอบของเรากับเป้าหมาย gures ค่อนข้างซับซ้อนไร้สายบุญที่จะโดยทั่วไปยากที่จะวัดบนฟิลด์ (e.g.,weighted speedup) ยังคง ฮาร์ดแวร์สามารถทำให้ reconfi ในเขต guration (4 ส่วน)

ผลลัพธ์ (ไทย) 3:

งานนี้สร้างขึ้นเมื่อ ipek et al .ของกรอบ RL - ใช้ เราเสนอมอซกลไกการอย่างเป็นระบบและการออกแบบทั่วไปที่ก้าวล้ำ DRAM ปรับตั้งด้วยตนเองว่าจะสามารถกำหนดเป้าหมายตัวเลขตาม อำเภอ ใจของความสามารถ เราใช้อัลกอริธึมทางพันธุกรรมในการปรับตั้งค่าความสำคัญที่เกี่ยวข้องกับเรื่องที่ตัวจัดตารางเวลาในการดำเนินการ DRAM ที่แตกต่างกันไปสำหรับ สภาพแวดล้อม ให้และการทำงาน(มาตรา 3.1.2 )โดยอัตโนมัตินอกจากนั้นเรายังมีการจ้างงานการเปลี่ยนแปลงแบบมัลติ - ปัจจัยหนึ่งที่โดดเด่นไปด้วยการเลือกที่จะนำไปยังแอคเคาท์การโต้ตอบ ไฟร์  RST - การสั่งซื้อแอตทริบิวต์ในระบบซึ่งใช้โดยตัวจัดตารางเวลาให้กับความรู้สึกของระบบที่แต่ละจุดในเวลา(มาตรา 3.1.3 ) ที่สำคัญที่สุดก็คือส่งผลให้ฮาร์ดแวร์ที่ไม่จำเป็นต้องปฏิบัติตามหน้าที่โดยมีวัตถุประสงค์ที่ ไฟร์  แอบได้โดยตรงเฉพาะในระหว่างการฝึกซ้อมในช่วงเวลาการออกแบบ(โดยใช้รูปแบบการจำลอง)ไม่กรอบของเราต้องมีฟังก์ชันเป้าหมายที่ได้เห็นได้ โรงแรมแห่งนี้ช่วยให้กรอบของเราไปยังเป้าหมายไฟร์ค่อนข้าง ซับซ้อน  คาดการณ์และอาจมีความสามารถที่จะทำได้ยากโดยทั่วไปแล้วในการวัดในฟิลด์(เช่นรับความเร็วในถ่วงน้ำหนัก) ยังคงฮาร์ดแวร์ที่สามารถทำให้ในที่ฟิลด์ reconfi  กำหนดโครงแบบ( 4 )