현대 마이크로아키텍처 정책을 위한 머신러닝 기반 랭킹의 한계에 대하여

요약

머신러닝 기반 예측기가 프로세서 성능 추정에서 보이는 한계를 분석한 연구입니다. 구조적 파라미터와 행동 정책 영역에서 ML 모델이 직관에 반하는 결과를 내거나 미세한 성능 차이를 구분하지 못하는 문제를 정보 이론적 관점에서 규명합니다.

핵심 포인트

• ML 예측기가 구조적 파라미터 변화 시 직관에 반하는 랭킹을 생성할 위험이 있음
• 행동 정책 영역에서는 미세한 성능 차이로 인해 모델이 베이스라인을 능가하기 어려움
• 실패 원인은 모델 용량 문제가 아닌 숨겨진 마이크로아키텍처 상태의 부재임
• 높은 집계 정확도가 반드시 정밀한 국소적 아키텍처 통찰력을 보장하지 않음