حافظه‎ی نهان سطح یک در پردازنده‎های گرافیکی شرکت انویدیا نقش تعیین‎کننده‎ای در کارآیی برنامه‎های کودا دارد. این حافظه گاهی باعث بهبود کارآیی اجرای کرنل شده و گاهی به دلیل پدیده‎ی آلودگی حافظه‎ی نهان، باعث افت کارآیی کرنل می‎شود. به همین دلیل در برخی موارد بهتر است قبل از فراخوانی و راه‎اندازی کرنل، حافظه‎ی نهان سطح یک خاموش شود. برنامه‎نویس به راحتی با آزمون و خطا می‎تواند تعیین کند که آیا حافظه‎ی نهان روشن یا خاموش باشد. اما کامپایلرها باتوجه به اینکه امکان اجرای برنامه‎ها را ندارند، نمی‎توانند وضعیت بهینه‎ی حافظه‎ی نهان را تعیین کنند. در این مقاله یک مدل مبتنی‎بر روش‎های یادگیری ماشین ارائه شده است که با استخراج ویژگی‎های ایستای کرنل ورودی، تعیین می‎کند که حافظه‎ی نهان سطح یک روشن یا خاموش باشد. مدل پیشنهادی یک دسته‎بند دوکلاسه است و ویژگی‎های کرنل ورودی را با تحلیل کدهای کودا و PTX و با کمک کامپایلر NVCC به‎دست می‎آورد. نتایج آزمایشگاهی نشان می‎دهند که این مدل با دقت بالاتر از 92.86 درصد قادر است تنظیم بهینه‎ی حافظه‎ی نهان را به‎درستی تشخیص دهد. بنابراین این مدل می‎تواند در کنار یک کامپایلر به‎کار گرفته شده و باعث بهبود کارآیی برنامه‎ی ترجمه‎شده خواهد شد.