爱丁堡大学：机器学习驱动的并行任务自动划分技术

爱丁堡大学的并行程序设计研究聚焦于机器学习驱动的流式并行任务划分，以优化多核处理器的性能。作者Zheng Wang和Michael F. O’Boyle，作为爱丁堡大学计算机系统架构研究所的学者，提出了一个创新的编译器基方法，旨在解决现代应用中流式编程在多核处理器上的高效映射问题。 在传统的流式编程语言中，如StreamIt，程序的并行性表达往往依赖于特定的程序结构和底层硬件。然而，这种映射并不总是最优，特别是对于复杂的多线程任务。为了解决这个问题，他们的研究开发了一个自动的、可移植的机器学习技术。该技术预先通过离线学习积累了关于不同程序特性的知识，构建了一个预测模型，能够根据给定的流式应用程序动态地预测出理想的并行任务划分结构。 通过这个预测器，研究人员能够在不执行任何代码的情况下，在程序空间中快速搜索，生成并选择最佳的并行分区方案。这种方法的优势在于它具有通用性和自动化，能够减少手动调整的工作量，提升并行程序的性能。 在实验中，他们将这项技术应用于标准的StreamIt应用，并将其与现有的并行化方法进行了对比。在四核平台上，新的机器学习驱动的并行任务划分策略显示出显著的性能优势，尤其是在处理大规模数据流和复杂计算任务时，其效率和可扩展性得到了验证。 爱丁堡大学的这项工作为并行程序设计领域提供了一种新颖且实用的方法，它结合了机器学习的力量来自动优化流式程序在多核环境中的性能，有望推动并行计算技术的发展，使得开发者能更轻松地构建高性能的并行应用。这对于提高现代信息技术系统的整体效能具有重要意义。