BEGIN:VCALENDAR VERSION:2.0 PRODID:www.dresden-science-calendar.de METHOD:PUBLISH CALSCALE:GREGORIAN X-MICROSOFT-CALSCALE:GREGORIAN X-WR-TIMEZONE:Europe/Berlin BEGIN:VTIMEZONE TZID:Europe/Berlin X-LIC-LOCATION:Europe/Berlin BEGIN:DAYLIGHT TZNAME:CEST TZOFFSETFROM:+0100 TZOFFSETTO:+0200 DTSTART:19810329T030000 RRULE:FREQ=YEARLY;INTERVAL=1;BYMONTH=3;BYDAY=-1SU END:DAYLIGHT BEGIN:STANDARD TZNAME:CET TZOFFSETFROM:+0200 TZOFFSETTO:+0100 DTSTART:19961027T030000 RRULE:FREQ=YEARLY;INTERVAL=1;BYMONTH=10;BYDAY=-1SU END:STANDARD END:VTIMEZONE BEGIN:VEVENT UID:DSC-13878 DTSTART;TZID=Europe/Berlin:20171218T110000 SEQUENCE:1513583298 TRANSP:OPAQUE DTEND;TZID=Europe/Berlin:20171218T120000 URL:https://dresden-science-calendar.de/calendar/en/detail/13878 LOCATION:TUD Andreas-Pfitzmann-Bau\, Nöthnitzer Straße 4601069 Dresden SUMMARY:Gocht: \"Ein Framework zur Optimierung der Energieeffizienz von HPC -Anwendungen auf der Basis von Machine-Learning-Methoden” CLASS:PUBLIC DESCRIPTION:Speaker: Andreas Gocht\nInstitute of Speaker: ZIH\nTopics:\nInf ormatik\n Location:\n Name: TUD Andreas-Pfitzmann-Bau (APB 1004 (Ratssaal ))\n Street: Nöthnitzer Straße 46\n City: 01069 Dresden\n Phone: \n Fax: \nDescription: Energieeffizienz ist ein sehr wichtiger Aspekt beim Be trieb von Hochleistungsrechnern. Optimierungen der Leistungsaufnahme sind nicht nur wichtig um den Energieverbrauch der Systeme und damit die Stromk osten zu reduzieren\, sie sind auch zwingend notwendig\, um das Ziel eines HPC-Systems mit Exascale-Leistung bei einem Energiebedarf von max. 20 MW zu erreichen. Neben der Möglichkeit der Erhöhung der Gebäude-Energieeff izienz– einschließlich der Kühlung – gibt es ein hohes Potenzial\, d urch eine an der Software angepassten Hardwarekonfiguration die Energieeff izienz zu erhöhen. Das Leibniz-Rechenzentrum der Bayerischen Akademie der Wissenschaften (LRZ) konnte durch eine solche Optimierung bis zu 6% Energ ie und damit bis zu 200.000� Stromkosten jährlich einsparen. Wenn in einer Erweiterung zum statischen Ansatz des LRZ die CPU-Frequenz dynamisc h geändert wird während die Anwendung läuft\, lässt sich die Energieef fizienz weiter steigern. Dabei wird der Energieverbrauch bei verschiedenen Konfigurationen vermessen\, um abschließend für die verschiedenen Progr ammbereiche die jeweils effizienteste Einstellung zu wählen. Die initial erzielten Ergebnisse sehen bereits vielversprechend aus. Eine Änderung de r Anwendungslast kann allerdings dazu führen\, dass die Anwendung erneut optimiert werden muss. Gleiches gilt für Änderungen am Quellcode. Ziel d ieser Dissertation ist es deshalb\, ein Framework zu entwickeln\, das auf Änderungen in Laufzeitverhalten oder Programstruktur von Programme eingeh en kann. Dafür sind tiefe neuronale Netze besonders gut geeignet\, da si e Zusammenhänge zwischen Eingabedaten und der Zielfunktion\, in diesem Fa ll eine optimale Einstellung\, lernen und generalisieren können. Zum A nlernen von neuronalen Netzen wird eine breite Datenbasis benötigt. Im HP C bieten sich dafür sogenannte Hardware Performance-Counter an\, die vers chiedene Ereignisse im Prozessor messen. Die manuelle Auswahl von relevant en Ereignissen stellt eine Herausforderung dar und muss für jede Prozesso rarchitektur erneut erfolgen. Es gibt verschiedene Verfahren die genutzt w erden können\, um die Auswahl von Ereignissen zu automatisieren. Dass die se Verfahren genutzt werden können um neuronale Netze zu trainieren\, hab en erste Versuche gezeigt. Moderne Prozessoren bieten – neben der Mö glichkeit eine Frequenz für die Prozessorkerne festzulegen – auch die M öglichkeit den sogenannten Uncore-Bereich zu regeln. Dieser ist für die Kommunikation der Kerne untereinander und mit dem Speicher zuständig. Um Ereignisse auszuwählen\, die mit beiden Frequenzen korrelieren\, wurden i m Rahmen der Dissertation die oben genannten Verfahren erweitert. Neben ersten Ergebnissen wird das sogenannte Q-Learning vorgestellt\, und evalu iert\, inwieweit sich dieses mit tiefen neuronalen Netzen kombinieren läs st. Diese Veranstaltung wird unterstützt von ZIH. DTSTAMP:20260524T141143Z CREATED:20171205T074814Z LAST-MODIFIED:20171218T074818Z END:VEVENT END:VCALENDAR