Apprentissage automatique pour la productivité et l'optimisation du code

Leveraging machine learning for code productivity and optimization

• Auteur / Autrice : Mathys Jam
• Direction : Pablo de Oliveira Castro Herrero
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 31/10/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique - Parallélisme Réseaux et Algorithmes Distribuée
• Partenaire(s) de recherche : référent : Université de Versailles-Saint-Quentin-en-Yvelines (1991-....)

Mots clés

Mots clés libres

Apprentissage Automatique

Optimisation Guidée par Profilage

Efficacité Énergétique

Algorithmes Numériques

Hpc

Numerical Algorithms

Profile Guided Optimization

Energy Efficiency

Hpc

Machine Learning

Résumé

Le cycle de développement d'un logiciel implique l'implémentation des fonctionnalités spécifiées, la correction des bogues et l'optimisation des performances. Cette dernière étape est une partie fastidieuse qui nécessite des ingénieurs et des scientifiques hautement qualifiés, car elle implique une compréhension approfondie de tous les facteurs impliqués dans l'exécution d'un programme (application cible, données d'entrée, compilateurs, environnements d'exécution, architecture informatique, algorithmes, etc.) Il existe de nombreuses publications lors de conférences scientifiques, telles que SuperComputing chaque année, qui se concentrent sur l'optimisation manuelle d'applications spécifiques. Cependant, à mesure que l'espace des combinaisons augmente, il devient de plus en plus difficile d'explorer manuellement toutes les combinaisons ou transformations de code possibles. Pourtant, il est crucial que les bibliothèques de calcul largement utilisées soient affinées pour réduire leur coût de calcul, en particulier en ce qui concerne la consommation d'énergie. Cette thèse vise à concevoir et à mettre en œuvre des solutions open-source basées sur des techniques d'apprentissage automatique pour explorer automatiquement l'espace de recherche d'optimisation.

The software development cycle involves implementing the required functionality, correcting bugs, and optimizing performance. This last stage is a tedious part requiring highly qualified engineers and scientists, as it implies a thorough understanding of all the factors involved in running a program (target application, data sets, compilers, execution environments, computer architecture, algorithms, etc.). There are numerous publications at scientific conferences, such as SuperComputing every year, which focus on the manual optimization of specific applications. However, as the space of combinations grows, it is becoming increasingly difficult to explore all possible combinations or code transformations manually. Yet, it is crucial that widely used computational libraries are fine-tuned to reduce their computational cost, in particular with regard to energy consumption. This thesis aims to design and implement open-source solutions based on machine learning techniques to explore the optimization search space automatically.