digilib@itb.ac.id +62 812 2508 8800

METODE MONTE CARLO PARALEL PADA GRID WORLD (REINFORCEMENT LEARNING) DENGAN CUDA DYNAMIC PARALLELISM

45 views
Save At List
Penulis : Sandy Socrates [23516055]
Kontributor / Dosen Pembimbing :
  • Dr. Judhi Santoso, M.Sc.
Jenis Koleksi : Tesis
Tahun Terbit :
Penerbit : Informatika
Fakultas : Sekolah Teknik Elektro dan Informatika
Subjek :
Kata Kunci : HPC, NVIDIA CUDA, pemrograman paralel, reinforcement learning
Sumber :
Staf Input/Edit : karya   karya
File : 2 file
Tanggal Input : 27 Jun 2019

Abstrak
PUBLIC Open In Flipbook karya
Tesis
PUBLIC Open In Flipbook karya

Metode Monte Carlo paralel dalam permasalahan reinforcement learning terbukti mampu mempercepat peningkatan kualitas pengalaman agen dengan penambahan jumlah agen pada jumlah episode agen yang sama. Penelitian terdahulu telah menguji hingga 16 agen yang digunakan secara paralel. Perkembangan GPGPU yang pesat, terutama NVIDIA CUDA, membuka peluang penggunaan GPU untuk jumlah agen yang lebih tinggi. Namun hal ini juga membuka masalah baru, yaitu meningkatnya beban pembagian pengalaman yan perlu dilakukan tiap agen. Pada penelitian ini diusulkan dua implementasi dengan penggunaan CUDA Dynamic Parallelism (CDP) untuk mengatasi hal ini pada permasalahan grid world. Kedua implementasi tersebut adalah Monte Carlo paralel asinkron dan Monte Carlo paralel asinkron bertingkat. Berdasarkan eksperimen yang dilakukan, terdapat peningkatan waktu eksekusi hingga 22%. Akan tetapi seiring dengan penambahan jumlah agen dan episode yang besar overhead yang didapatkan dari pemanggilan kernel CDP akan menutupi peningkatan performa yang didapatkan.

Artikel Terkait