בעולם המערכות המשובצות, שבו כל וואט חשמל חשוב וחום עלול להרוס ביצועים, חוקרים מציגים את ZeroDVFS – מסגרת תזמון חדשנית המבוססת על למידת חיזוק רב-סוכנים (MARL) היררכית ומנוהלת על ידי מודלי שפה גדולים (LLM). הפתרון פותר בעיות קלאסיות של ניהול מתח ותדר דינמי (DVFS) והקצאת משימות לליבות, ומציע החלטות מהירות במיוחד: 358 מילישניות להחלטות הבאות ו-3.5 עד 8 שניות להחלטה הראשונה, כולל חילוץ תכונות LLM חד-פעמי. זהו שינוי משחק עבור יישומים דינמיים שדורשים איזון בין אנרגיה, חום וביצועים.
המסגרת מפרקת את מרחב הפעולות האקספוננציאלי לשני סוכנים שיתופיים: אחד ל-DVFS ואחד להקצאת משימות. דגם סביבה מדויק, המבוסס על רגרסיה, מנבא דינמיקות תרמיות ומצבי ביצועים. בשילוב עם חילוץ תכונות סמנטיות מבוסס LLM – 13 תכונות קוד ברמת קוד OpenMP ללא הרצה – המערכת מאפשרת פריסה zero-shot לעבודות חדשות על פלטפורמות מאומנות, ללא דגימות פרופיילינג ספציפיות. ההשראה מדגם Dyna-Q משלבת למידה ישירה עם תכנון מבוסס-דגם, ומגיעה להכנסה מהירה פי 20 ממתודות ללא-דגם.
בניסויים על סטי בנצ'מרקים BOTS ו-PolybenchC, על פלטפורמות כמו NVIDIA Jetson TX2, Jetson Orin NX, RubikPi ומעבד Intel Core i7, ZeroDVFS השיג יעילות אנרגטית גבוהה פי 7.09 ומשך זמן כולל (makespan) נמוך פי 4 בהשוואה למושל Linux ondemand. זמן ההחלטה הראשונה מהיר פי 8,300 מפרופיילינג מבוסס טבלאות, מה שהופך אותו לכשיר לפריסה במערכות משובצות דינמיות.
המשמעות של ZeroDVFS היא רבגונית: הוא עוקף את מגבלות הגישות המסורתיות, שמסתמכות על ערכות ניצול דלילות או פרופיילינג לא מקוון יקר. השילוב של LLM מאפשר התאמה אוטומטית לעבודות חדשות, מה שחוסך זמן פיתוח ומשפר ביצועים בסביבות כמו IoT, רובוטיקה ורכב אוטונומי. עבור חברות ישראליות בתחום ההיי-טק, זה פותח אפשרויות לשילוב AI בתכנון חומרה יעילה יותר, במיוחד עם פלטפורמות NVIDIA זמינות מקומית.
עבור מנהלי טכנולוגיה ומפתחים, ZeroDVFS מציע דרך חדשה לייעל מערכות משובצות: בדקו את המחקר והתחילו לשלב מודלים כאלה בפרויקטים הבאים. האם הגיע הזמן להחליף את DVFS המסורתי בפתרונות AI? המספרים מדברים בעד עצמם.