論文の概要: CompilerGym: Robust, Performant Compiler Optimization Environments for AI Research

• arxiv url: http://arxiv.org/abs/2109.08267v1
• Date: Fri, 17 Sep 2021 01:02:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 05:49:21.304304
• Title: CompilerGym: Robust, Performant Compiler Optimization Environments for AI Research
• Title（参考訳）: CompilerGym: AI研究のためのロバストで高性能なコンパイラ最適化環境
• Authors: Chris Cummins, Bram Wasti, Jiadong Guo, Brandon Cui, Jason Ansel, Sahir Gomez, Somya Jain, Jia Liu, Olivier Teytaud, Benoit Steiner, Yuandong Tian, Hugh Leather
• Abstract要約: コンパイラ最適化に人工知能(AI)技術を適用することへの関心は急速に高まっている。 しかし、コンパイラー研究は高い参入障壁を持っている。 実世界のコンパイラ最適化タスクのための環境セットであるCompilerGymを紹介する。 また、コンパイラ研究者に新しい最適化タスクを公開するツールキットも導入する。
• 参考スコア（独自算出の注目度）: 26.06438868492976
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interest in applying Artificial Intelligence (AI) techniques to compiler optimizations is increasing rapidly, but compiler research has a high entry barrier. Unlike in other domains, compiler and AI researchers do not have access to the datasets and frameworks that enable fast iteration and development of ideas, and getting started requires a significant engineering investment. What is needed is an easy, reusable experimental infrastructure for real world compiler optimization tasks that can serve as a common benchmark for comparing techniques, and as a platform to accelerate progress in the field. We introduce CompilerGym, a set of environments for real world compiler optimization tasks, and a toolkit for exposing new optimization tasks to compiler researchers. CompilerGym enables anyone to experiment on production compiler optimization problems through an easy-to-use package, regardless of their experience with compilers. We build upon the popular OpenAI Gym interface enabling researchers to interact with compilers using Python and a familiar API. We describe the CompilerGym architecture and implementation, characterize the optimization spaces and computational efficiencies of three included compiler environments, and provide extensive empirical evaluations. Compared to prior works, CompilerGym offers larger datasets and optimization spaces, is 27x more computationally efficient, is fault-tolerant, and capable of detecting reproducibility bugs in the underlying compilers. In making it easy for anyone to experiment with compilers - irrespective of their background - we aim to accelerate progress in the AI and compiler research domains.
• Abstract（参考訳）: コンパイラ最適化に人工知能(AI)技術を適用することへの関心は急速に高まっているが、コンパイラの研究には高い参入障壁がある。 他のドメインとは異なり、コンパイラやAI研究者は、迅速なイテレーションとアイデア開発を可能にするデータセットやフレームワークにアクセスできず、始めるにはかなりのエンジニアリング投資が必要になる。 必要なのは、実世界のコンパイラ最適化タスクのための、簡単で再利用可能な実験的なインフラストラクチャで、テクニックを比較するための共通のベンチマークとして機能し、この分野の進歩を加速するためのプラットフォームとして機能することです。 我々は,実世界のコンパイラ最適化タスクのための環境セットであるCompilerGymと,コンパイラ研究者に新しい最適化タスクを公開するツールキットを紹介する。 CompilerGymは、誰でも簡単に使えるパッケージを通じて、プロダクションコンパイラの最適化問題を試すことができる。 我々は人気のあるOpenAI Gymインターフェースの上に構築されており、研究者はPythonと親しみやすいAPIを使ってコンパイラと対話できる。 本稿では,コンパイラギムのアーキテクチャと実装を説明し,3つのコンパイラ環境の最適化空間と計算効率を特徴付け,広範な経験的評価を行う。 以前の作業と比較すると、CompilerGymはより大きなデータセットと最適化スペースを提供し、より計算効率が良く、フォールトトレラントで、基礎となるコンパイラの再現性バグを検出することができる。 誰でもコンパイラーを試すことができるように、その背景に関係なく、私たちはaiとコンパイラ研究領域の進捗を加速することを目指している。

関連論文リスト

• Should AI Optimize Your Code? A Comparative Study of Current Large Language Models Versus Classical Optimizing Compilers [0.0]
  大規模言語モデル(LLM)は、コード最適化方法論に革命をもたらすAI駆動アプローチの可能性に関する興味深い疑問を提起する。 本稿では、GPT-4.0とCodeLlama-70Bの2つの最先端大言語モデルと従来の最適化コンパイラの比較分析を行う。
  論文  参考訳（メタデータ） (2024-06-17T23:26:41Z)
• 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)
• A Survey of Modern Compiler Fuzzing [0.0]
  この調査は、コンパイラの欠陥を理解し、対処するための研究成果の概要を提供する。 研究者は、その症状や根本原因など、コンパイラーのバグに関する調査と専門知識をカバーしている。 さらに、テストプログラムの構築やテストオラクルの設計など、ファジング技術を設計する研究者の取り組みについても取り上げている。
  論文  参考訳（メタデータ） (2023-06-12T06:03:51Z)
• Harnessing Deep Learning and HPC Kernels via High-Level Loop and Tensor Abstractions on CPU Architectures [67.47328776279204]
  この研究は、効率的でポータブルなDeep LearningとHigh Performance Computingカーネルを開発するためのフレームワークを導入している。 1)プロセッシングプリミティブ(TPP)を用いた計算コアの表現と,2)高レベルな宣言的手法でTPPのまわりの論理ループの表現の2つのステップでカーネルの開発を分解する。 我々は、スタンドアロンカーネルと、さまざまなCPUプラットフォームにおける最先端実装よりも優れたエンドツーエンドワークロードを使用して、このアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-04-25T05:04:44Z)
• HDCC: A Hyperdimensional Computing compiler for classification on embedded systems and high-performance computing [58.720142291102135]
  この研究は、HDC分類メソッドの高レベルな記述を最適化されたCコードに変換する最初のオープンソースコンパイラである、ネームコンパイラを紹介している。 nameは現代のコンパイラのように設計されており、直感的で記述的な入力言語、中間表現(IR)、再ターゲット可能なバックエンドを備えている。 これらの主張を裏付けるために,HDC文献で最もよく使われているデータセットについて,HDCCを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-04-24T19:16:03Z)
• Learning Performance-Improving Code Edits [107.21538852090208]
  本稿では,大規模言語モデル(LLM)を高レベルプログラム最適化に適用するためのフレームワークを提案する。 まず、競争力のある77,000以上のC++プログラミングサブミッションペアによる、人間のプログラマによるパフォーマンス改善編集のデータセットをキュレートする。 提案手法は,検索をベースとした少数ショットプロンプトとチェーン・オブ・シンクレットを提案し,その微調整には,自己再生に基づく性能条件付き生成と合成データ拡張が含まれる。
  論文  参考訳（メタデータ） (2023-02-15T18:59:21Z)
• Learning to Superoptimize Real-world Programs [79.4140991035247]
  本稿では,ニューラルシークエンス・ツー・シーケンス・モデルを用いて,実世界のプログラムを最適化するフレームワークを提案する。 我々は、x86-64アセンブリでオープンソースプロジェクトから抽出された25万以上の実世界の関数からなるデータセットであるBig Assemblyベンチマークを紹介した。
  論文  参考訳（メタデータ） (2021-09-28T05:33:21Z)
• StreamBlocks: A compiler for heterogeneous dataflow computing (technical report) [1.5293427903448022]
  この作業では、オープンソースのコンパイラとランタイムであるStreamBlocksを導入し、CALデータフロープログラミング言語を使用して、プラットフォーム間で計算処理を分割する。 StreamBlocksは、最高のハードウェア/ソフトウェアパーティションを特定するためのプロファイル誘導ツールを使用して、デザインスペースの探索をサポートする。
  論文  参考訳（メタデータ） (2021-07-20T08:46:47Z)
• Deep Data Flow Analysis [14.583644439728895]
  ProGraMLは、ディープラーニングのためのプログラム全体のセマンティクスのポータブル表現である。 コンパイラ解析のための現在および将来の学習手法をベンチマークする。 本稿では, ProGraMLを用いて, ダウンストリームコンパイラ最適化タスクにおいて, 標準解析を学習し, 性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-11-21T03:29:14Z)
• PolyDL: Polyhedral Optimizations for Creation of High Performance DL primitives [55.79741270235602]
  本稿では,Deep Learningプリミティブの高性能実装を自動的に生成するコンパイラアルゴリズムを提案する。 我々は多面体モデルを用いた新しいデータ再利用分析アルゴリズムを開発した。 また、このようなハイブリッドコンパイラとライブラリ使用の最小限のアプローチが、最先端のパフォーマンスをもたらすことを示す。
  論文  参考訳（メタデータ） (2020-06-02T06:44:09Z)

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。