Supercomputação Sustentável: Eficiência Energética e Gerenciamento de Recursos através da Modelagem Estatística e Aprendizado de Máquina

• Processo: 23/09048-8
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto
• Data de Início da vigência: 01 de setembro de 2024
• Data de Término da vigência: 31 de julho de 2028
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Alfredo Goldman vel Lejbman
• Beneficiário: Lucas de Sousa Rosa
• Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Vinculado ao auxílio: 19/26702-8 - Tendências em computação de alto desempenho, do gerenciamento de recursos a novas arquiteturas de computadores, AP.TEM
• Assunto(s): Aprendizado computacional Computação de alto desempenho Escalonamento Modelos estatísticos Simulação Sustentabilidade
• Palavra(s)-Chave do Pesquisador: aprendizado de máquinas | Computacão de Alto Desempenho | Escalonamento | Modelagem Estatística | Simulações | Sustentabilidade | Escalonamento em HPC

Resumo

Este projeto de pesquisa de doutorado aborda desafios na gestão de recursos e na modelagem de carga de trabalho no campo da supercomputação. A estratégia sugerida inclui o uso de técnicas automatizadas, como aprendizado de máquina e otimização com base em desenho de experimentos, levando em conta aspectos energéticos de tarefas e plataformas. Realizaremos experimentos de escalonamento via simulações, visando gerar dados sobre o comportamento do escalonamento em diferentes cenários, avaliar métricas de desempenho e eficiência energética, além de comparar metodologias diversas. O projeto também tem como objetivo investigar um aspecto pouco explorado da modelagem de carga de trabalho: a representação do consumo de energia das tarefas. Finalmente, pretendemos testar esses modelos mais sofisticados avaliando sua representatividade.