Reuse-Aware Partitioning of Dataflow Graphs on a Tightly-Coupled CGRA
Notice bibliographique
Résumé
We formulate a solution for the temporal partitioning of dataflow graphs (DFGs) on a coarse-grain reconfigurable array (CGRA) accelerator that is tightly coupled to system memory. The tight coupling gives rise to partitioning concerns that have not been considered in prior work. Specifically, multiple load nodes in a DFG may receive data on the same cache line, i.e., exhibit cache line reuse. Constraining such nodes to the same partition may (but not necessarily) reduce the number of memory transactions. Further, it is necessary to quantify interpartition communication by the number of memory transactions as opposed to the number of edges that cross partitions. Finally, the target CGRA accelerator imposes a limit on the number of concurrent memory transactions; a limit that must be observed. Temporal partitioning is formulated as a 01-ILP model that captures these concerns. Evaluation using 9 representative DFGs shows that: (1) the model is efficient to solve; (2) there is benefit to considering cache line reuse-memory communication cost reduces by 11% on average and by up to 20%, with a commensurate improvement in DFG throughput by 28% on average and by up to 70%; (3) the use of the number of memory transactions to quantify communication as opposed to DFG edges can reduce the number of partitions; and (4) imposing the memory transactions limit does not adversely impact the partitioning. Thus, the 01-ILP model is effective in capturing the concerns that arise and evaluation demonstrates the value of addressing these concerns.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».