fa بهینه‌سازی مدیریت توان در پردازنده‌های چندهسته‌ای با یادگیری ماشین و مقیاس‌بندی پویا ولتاژ و فرکانس الکترونیک Electronic پژوهشي Research <span dir="RTL" lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">با کوچک‌تر شدن ترانزیستورها در پردازنده‌ها، مصرف انرژی کلی آن‌ها به‌جای کاهش، به دلیل افزایش تعداد ترانزیستورها، افزایش‌یافته است. این امر منجر به مشکلات حرارتی و کاهش کارایی کلی سیستم شده است. علاوه بر این، سالخوردگی مدارها نیز اهمیت زیادی پیدا کرده است؛ زیرا بر عملکرد و طول عمر پردازنده‌ها تأثیر منفی می‌گذارد. مقیاس‌بندی پویای ولتاژ و فرکانس،</span></span> <span dir="RTL" lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">روشی برای مدیریت توان است که با تغییر ولتاژ و فرکانس پردازنده، مصرف انرژی را کاهش داده و طول عمر سیستم را بهبود می‌بخشد. در این مقاله، یک روش مبتنی بر یادگیری ماشین برای مدیریت توان در پردازنده‌های چندهسته‌ای معرفی می‌شود. این روش با بهره‌گیری از تحلیل ویژگی‌های ورودی و استفاده از الگوریتم درخت تصمیم‌گیری و تکنیک</span></span> <span dir="RTL" lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">مقیاس</span></span><span style="font-size:10.0pt"><span new="" roman="" style="font-family:" times="">‌</span></span><span dir="RTL" lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:">بندی پویا ولتاژ و فرکانس، قادر است سطح بهینه‌ی ولتاژ و فرکانس هر هسته را پیش‌بینی و به‌صورت دقیق تخصیص دهد. نتایج ارزیابی نشان می‌دهد که مدل پیشنهادی با دقت ۹۵ درصد قادر به پیش‌بینی عملکرد سیستم در شرایط کاری مختلف است و می‌تواند به‌طور مؤثر در طراحی سیستم‌های کم‌مصرف به کار گرفته شود</span></span><span style="font-size:10.0pt"><span new="" roman="" style="font-family:" times="">.</span></span> <span style="font-size:13pt"><span new="" roman="" style="font-family:" times=""><span style="font-weight:bold"><span style="font-size:10.0pt"><span style="font-weight:normal">As transistor sizes in processors continue to shrink, overall energy consumption has paradoxically increased due to the growing number of transistors. This trend has led to significant thermal challenges and a decline in system performance. Additionally, circuit aging has become a major concern, adversely impacting both processor performance and longevity. Dynamic Voltage and Frequency Scaling (DVFS) is a widely used power management technique that mitigates energy consumption and enhances system durability by dynamically adjusting processor voltage and frequency. This paper introduces a novel machine learning-based approach for power management in multi-core processors. The proposed method utilizes input feature analysis and integrates a decision tree algorithm with DVFS techniques to precisely predict and allocate the optimal voltage and frequency for each core. Evaluation results reveal that the model achieves a prediction accuracy of 95%, effectively forecasting system performance under various workloads. This approach offers a valuable contribution to the development of energy-efficient systems</span></span><span style="font-size:10.0pt">.</span></span></span></span><br> &nbsp; پردازنده‌های چندهسته‌ای, مدیر توان, یادگیری ماشین, مقیاس‌بندی پویای ولتاژ و فرکانس, الگوریتم درخت تصمیم‌گیری Multi-core processors, Power manager, Machine learning, Dynamic Voltage and Frequency Scaling (DVFS), Decision tree algorithm 99 109 http://jiaeee.com/browse.php?a_code=A-10-2773-1&slc_lang=fa&sid=1 Farideh ziaee فریده ضیایی faridehziaee@gmail.com 100319475328460013018 100319475328460013018 Yes Shahid Bahonar University of Kerman بخش مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان Mahdieh Ghazvini مهدیه قزوینی mghazvini@uk.ac.ir 100319475328460013019 100319475328460013019 No Shahid Bahonar University of Kerman بخش مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان Marjan Kaedi مرجان کائدی kaedi@eng.ui.ac.ir 100319475328460013020 100319475328460013020 No University of Isfahan دانشکده مهندسی کامپیوتر، دانشگاه اصفهان