ورود
مقالات فارسیISIکنفرانسهاژورنالها

نقش هوش مصنوعی در بهینه سازی مدیریت انرژی پردازنده های چندهسته ای

فایل این در 6 صفحه با فرمت PDF قابل دریافت می باشد

  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این :
https://civilica.com/doc/2179977

چکیده :

بهینه سازی مدیریت انرژی در پردازنده های چندهسته ای به دلیل افزایش تقاضا برای کارایی بالا و مصرف انرژی کم، به یک موضوع حیاتی در علوم کامپیوتر و مهندسی برق تبدیل شده است. با توجه به پیچیدگی های این پردازنده ها و نیاز به پردازش موازی، روش های سنتی مدیریت انرژی کافی نیستند. هوش مصنوعی با قابلیت های یادگیری و تطبیق با شرایط پویا، امکان بهبود های قابل توجهی در این زمینه را فراهم می کند. در این مقاله، نقش هوش مصنوعی در بهینه سازی مدیریت انرژی پردازنده های چندهسته ای بررسی می شود. ابتدا به معرفی مفاهیم پایه و چالش های موجود در این حوزه پرداخته می شود. سپس، الگوریتم ها و روش های مبتنی بر هوش مصنوعی که برای کاهش مصرف انرژی و افزایش کارایی استفاده می شوند، مورد بحث قرار می گیرند. نتایج نشان می دهد که استفاده از هوش مصنوعی می تواند به بهبود عملکرد سیستم، کاهش مصرف انرژی و افزایش طول عمر سخت افزار منجر شود. در نهایت، روندهای آینده و پیشنهاداتی برای پژوهش های آتی در این حوزه ارائه می شود.

کلیدواژه ها:

پردازنده چند هسته ای ، هوش مصنوعی ، بهینه سازی مدیریت انرژی

نویسندگان

علی حیدری سه چکانی

دانشجوی کارشناسی ارشد دانشگاه صنعتی کرمانشاه

مراجع و منابع این :

لیست زیر مراجع و منابع استفاده شده در این را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود لینک شده اند :
  • [1] Hennessy, J. L., & Patterson, D. A. (2017). Computer ...
  • [2] Kumar, R., et al. (2005). Single-ISA Heterogeneous Multi-Core Architectures. ...
  • [3] Bartolini, A., et al. (2013). Thermal and Energy Management ...
  • [4] Zanini, F., Atienza, D., & De Micheli, G. (2009). ...
  • [5] Mahmoud, H., & Petriu, D. C. (2017). Self-Adaptive Resource ...
  • [6] Mao, H., et al. (2016). Resource Management with Deep ...
  • [7] Sutter, H. (2005). The Free Lunch Is Over. *Dr. ...
  • [8] Asanović, K., et al. (2006). The Landscape of Parallel ...
  • [9] Shared Cache Management in MCs, Qureshi, M. K., & ...
  • [10] Fan, X., Weber, W.-D., & Barroso, L. A. (2007). ...
  • [11] Sankaralingam, K., et al. (2003). Exploiting ILP, TLP, and ...
  • [12] Beloglazov, A., & Buyya, R. (2012). Energy Efficient Resource ...
  • [13] Khan, S. U., et al. (2012). A Survey of ...
  • [14] Ranganathan, P. (2010). Recipe for Efficiency. *Communications of the ...
  • [15] Chen, Y., et al. (2011). Machine Learning-Based Management for ...
  • [16] Zhang, Q., et al. (2014). Dynamic Energy Modeling of ...
  • [17] Cortes, C., & Vapnik, V. (1995). Support-Vector Networks. *Machine ...
  • [18] Lama, P., & Zhou, X. (2012). Efficient Server Provisioning ...
  • [19] LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep ...
  • [20] Chen, T., et al. (2018). Learning to Optimize: A ...
  • [21] Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ...
  • [22] Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. ...
  • [23] Mnih, V., et al. (2015). Human-Level Control through Deep ...
  • [24] Tesauro, G., et al. (2007). Managing Power Consumption and ...
  • [25] Tesauro, G., et al. (2008). On-Line Resource Allocation Using ...
  • [26] Rao, J., & Xu, C.-Z. (2012). Online Measurement of ...
  • [27] Jiang, J., et al. (2017). A Machine Learning-Based Energy ...
  • [28] Dayarathna, M., Wen, Y., & Fan, R. (2016). Data ...
  • [29] Lorido-Botran, T., Miguel-Alonso, J., & Lozano, J. A. (2014). ...
  • [30] Xu, J., & Fortes, J. A. B. (2010). Multi-Objective ...
  • [31] Sze, V., et al. (2017). Efficient Processing of Deep ...
  • [32] Huang, K., et al. (2018). Security and Privacy Issues ...
  • [33] Shi, W., et al. (2016). Edge Computing: Vision and ...
  • [34] Li, C., et al. (2018). Distributed Consensus Algorithms for ...
  • [35] Chen, Y., et al. (2019). Deep Learning and Its ...
    • نمایش کامل مراجع