IT TALK

La moltiplicazione matrice-vettore sparsa (SpMV) è un'operazione fondamentale nell'apprendimento automatico (ML), nel calcolo scientifico e negli algoritmi sui grafi. In questo talk analizziamo l'efficienza in termini di spazio, tempo ed energia della SpMV utilizzando diversi formati compressi per matrici sparse di grandi dimensioni, con un focus specifico sulle matrici booleane e sui vettori a valori reali. Attraverso un'analisi approfondita e una serie di esperimenti condotti sia su server che su dispositivi all'edge, osserveremo che diversi formati compressi per matrici offrono diversi compromessi in termini di efficienza spaziale, tempo d'esecuzione e consumo energetico. In particolare, una scelta ponderata del formato compresso può ridurre il consumo energetico anche di uno-due ordine di grandezza, sia su server che su schede con risorse limitate. I risultati di alcuni esperimenti riveleranno che il parallelismo dei dati offre potenziali di ottimizzazione sia per la velocità d'esecuzione sia per l'efficienza energetica, ma che ottimizzare tempo ed energia simultaneamente è un problema più complesso. In particolare, mostreremo che per alcuni schemi di compressione il grado ottimo di parallelismo per minimizzare il tempo di esecuzione non coincide con quello ottimo per l'efficienza energetica. Questo risultato è in linea con recenti studi in letteratura sulla non proporzionalità tra tempo ed energia per calcolo multicore, e smentisce l'ipotesi tradizionalmente della sussistenza di una semplice correlazione lineare tra tempo di esecuzione e consumo energetico. I nostri risultati hanno implicazioni significative per gl'ingegneri del software in tutti i settori in cui le operazioni SpMV sono prevalenti e suggeriscono inoltre che studi analoghi, volti a esplorare bilanciamenti tra tempo, spazio ed energia per altre strutture dati compresse, possano contribuire in modo significativo alla progettazione di componenti software più efficienti, anche dal punto di vista energetico.