Распределение прикладных программ между аппаратными блоками различной архитектуры (CPU, GPU, FPGA и т. д.) гетерогенных вычислительных платформ позволяет выполнять расчеты с наибольшей производительностью. На реальную производительность гетерогенных параллельных вычислений в наибольшей мере влияют конфигурация архитектуры, отражающая особенности  алгоритмов решения прикладных задач. В этой работе рассматривается применение алгоритмов машинного обучения (преобразователя) для решения задач планирования процессов вычислений в гетерогенных вычислительных средах. Предложенная модель относится к классу трансформеров на базе искусственных нейронных сетей, реализующих механизм внимания для оценки параметров прикладных заданий с целью повышения точности прогнозирования времени их выполнения.

The distribution of application programs between hardware blocks of different architectures (CPU, GPU, FPGA, etc.) of heterogeneous computing platforms allows you to perform calculations with the highest performance. The real performance of heterogeneous parallel computing is most affected by the architecture configuration, which reflects the peculiarities of algorithms for solving applied problems. This paper considers the use of machine learning algorithms (transformer) for solving problems of planning computation processes in heterogeneous computing environments. The proposed model belongs to the class of transformers based on artificial neural networks that implement the attention mechanism for estimating the parameters of applied tasks in order to improve the accuracy of predicting their execution time.