집약적인 모바일 게임/그래픽 응용을 실행하는 최신의 이기종 CPU-GPU 기반 모바일 아키텍처는 에너지 효율성을 유지하면서 높은 성능을 달성하기 위해 소프트웨어 거버너를 사용한다. 그러나 기존 거버너는 일반적으로 단순한 통계적 또는 휴리스틱 모델을 활용하며, 모바일 게임의 소규모 불균형 데이터셋을 사용해 선형 관계를 가정하는 경향이 있다. 그 결과 이기종 플랫폼에서의 동적이고 다양한 게임 워크로드에 대해 예측 오차가 크게 발생한다. 이러한 한계를 극복하기 위해, 해석 가능한 머신러닝(ML) 모델을 통합한 CPU-GPU 거버너를 제안한다: (1) 정확성(낮은 오차)과 수학적 공식에 기반한 해석 가능한 ML 모델을 동시에 고려하여, 시뮬레이터빌리티(simulatability) 연산 횟수의 정량적 지표를 사용함으로써 오프라인에서 트리 기반 구간별 선형 모델(즉, 모델 트리)을 구축한다. 그리고 (2) 선택된 모델을 온라인 추정에 배치하여 이를 통합 CPU-GPU 동적 전압 주파수 조절(Dynamic Voltage Frequency Scaling, DVFS) 거버너에 적용한다. 서로 다양한 특성을 보이는 20개의 모바일 게임을 대상으로 한 테스트 세트에서 수행한 실험 결과, 본 거버너는 프레임당 에너지에서 평균 10% 이상(최대 38%)의 유의한 에너지 효율 향상을 달성했으며, 단순 선형 회귀 모델을 사용하는 전형적인 최신 상태의 거버너와 비교하여 프레임/초 성능에서는 놀랍지만 절제된 3%의 향상만을 보였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.