論文の概要: Autotuning Search Space for Loop Transformations

• arxiv url: http://arxiv.org/abs/2010.06521v1
• Date: Tue, 13 Oct 2020 16:26:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 00:14:13.131955
• Title: Autotuning Search Space for Loop Transformations
• Title（参考訳）: ループ変換のための自動探索空間
• Authors: Michael Kruse, Hal Finkel, Xingfu Wu
• Abstract要約: 本稿では,木の形をとるループ変換探索空間を提案する。 検索空間を探索する簡単なオートチューナーを実装し,選択したPolyBenchカーネルに適用した。
• 参考スコア（独自算出の注目度）: 0.03683202928838612
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One of the challenges for optimizing compilers is to predict whether applying an optimization will improve its execution speed. Programmers may override the compiler's profitability heuristic using optimization directives such as pragmas in the source code. Machine learning in the form of autotuning can assist users in finding the best optimizations for each platform. In this paper we propose a loop transformation search space that takes the form of a tree, in contrast to previous approaches that usually use vector spaces to represent loop optimization configurations. We implemented a simple autotuner exploring the search space and applied it to a selected set of PolyBench kernels. While the autotuner is capable of representing every possible sequence of loop transformations and their relations, the results motivate the use of better search strategies such as Monte Carlo tree search to find sophisticated loop transformations such as multilevel tiling.
• Abstract（参考訳）: コンパイラを最適化する上での課題のひとつは、最適化を適用することで実行速度が向上するかどうかを予測することだ。 プログラマはソースコードのプラグマのような最適化ディレクティブを使ってコンパイラの収益性ヒューリスティックをオーバーライドすることができる。 自動チューニングという形での機械学習は、各プラットフォームに最適な最適化を見つけるのに役立つ。 本稿では,通常ベクトル空間を用いてループ最適化の構成を表現する従来の手法とは対照的に,木の形をとるループ変換探索空間を提案する。 探索空間を探索する単純なオートチューナーを実装し,選択したポリベンチカーネルに適用した。 オートチューナーは全ての可能なループ変換とその関係を表現できるが、その結果はモンテカルロ木探索のようなより優れた探索戦略を用いて、マルチレベルタイリングのような洗練されたループ変換を見つける動機付けとなる。

関連論文リスト

• CompilerDream: Learning a Compiler World Model for General Code Optimization [58.87557583347996]
  汎用コード最適化のためのモデルベース強化学習手法であるCompilerDreamを紹介する。 最適化パスの固有の特性を正確にシミュレートするコンパイラの世界モデルと、このモデルで訓練されたエージェントから、効率的な最適化戦略を生成する。 さまざまなデータセットを網羅し、LLVMのビルトイン最適化や、値予測とエンドツーエンドコード最適化の両方の設定における最先端メソッドを超越している。
  論文  参考訳（メタデータ） (2024-04-24T09:20:33Z)
• Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
  凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。 多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。 そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
  論文  参考訳（メタデータ） (2023-07-17T20:11:56Z)
• Performance Embeddings: A Similarity-based Approach to Automatic Performance Optimization [71.69092462147292]
  パフォーマンス埋め込みは、アプリケーション間でパフォーマンスチューニングの知識伝達を可能にする。 本研究では, 深層ニューラルネットワーク, 密度およびスパース線形代数合成, および数値風速予測ステンシルのケーススタディにおいて, この伝達チューニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-14T15:51:35Z)
• An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
  分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。 本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-10-27T01:58:10Z)
• Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
  興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。 基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。 我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
  論文  参考訳（メタデータ） (2022-09-27T17:51:31Z)
• Searching for More Efficient Dynamic Programs [61.79535031840558]
  本稿では,プログラム変換の集合,変換プログラムの効率を評価するための単純な指標,およびこの指標を改善するための探索手順について述べる。 実際に、自動検索は初期プログラムの大幅な改善を見出すことができることを示す。
  論文  参考訳（メタデータ） (2021-09-14T20:52:55Z)
• Autotuning PolyBench Benchmarks with LLVM Clang/Polly Loop Optimization Pragmas Using Bayesian Optimization (extended version) [0.8070511670572696]
  LLVM Clang/Pollyループ最適化プラグマを用いてPolyBenchベンチマークを最適化する。 次に、自動調整フレームワークを使用して、pragmaパラメータを最適化してパフォーマンスを改善します。 本稿では,Floyd-Warshallベンチマークの性能向上のために,単純なmctreeオートチューニングフレームワークを用いたループ自動チューニングを提案する。
  論文  参考訳（メタデータ） (2021-04-27T14:46:57Z)
• Learning to Make Compiler Optimizations More Effective [11.125012960514471]
  looplearnerは、ループを書く方法が効率的なコンパイルコードにつながると予測する。 各種性能関連ベンチマークから1,895ループのLoopLearnerを評価した。
  論文  参考訳（メタデータ） (2021-02-24T10:42:56Z)
• Autotuning PolyBench Benchmarks with LLVM Clang/Polly Loop Optimization Pragmas Using Bayesian Optimization [0.6583716093321499]
  オートチューニング(Autotuning)は、カーネルやアプリケーションの実装/設定が可能な検索スペースを探索するアプローチである。 ベイズ最適化を利用してパラメータ空間探索を行う自動チューニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2020-10-15T22:09:42Z)
• Static Neural Compiler Optimization via Deep Reinforcement Learning [1.458855293397494]
  本稿では,位相整合問題に対する深層強化学習手法を用いる。 LLVMのO3シークエンスを構成するサブシーケンスを用いて、エージェントはトレーニングに使用するソースコードのセット上でO3シークエンスより優れていることを学習する。 我々は、我々のアプローチを用いて訓練されたモデルは、ニューラル最適化エージェントとして現代のコンパイラに統合できると考えている。
  論文  参考訳（メタデータ） (2020-08-20T13:16:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。