論文の概要: Genetic Improvement in the Shackleton Framework for Optimizing LLVM Pass Sequences

• arxiv url: http://arxiv.org/abs/2204.13261v1
• Date: Thu, 28 Apr 2022 02:48:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-30 03:48:07.901370
• Title: Genetic Improvement in the Shackleton Framework for Optimizing LLVM Pass Sequences
• Title（参考訳）: LLVMパスシーケンス最適化のためのShackletonフレームワークの遺伝的改良
• Authors: Shuyue Stella Li, Hannah Peeler, Andrew N. Sloss, Kenneth N. Reid, Wolfgang Banzhaf
• Abstract要約: 線形遺伝プログラミングフレームワークShackletonにおけるパスレベルのパッチ表現を開発し、デフォルトの最適化パスシーケンスに適用するための修正を進化させる。 我々のGI進化ソリューションは、デフォルトのコード生成オプションの-O3最適化レベルと比較して平均3.7%のランタイム改善があります。
• 参考スコア（独自算出の注目度）: 2.25491649634702
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Genetic improvement is a search technique that aims to improve a given acceptable solution to a problem. In this paper, we present the novel use of genetic improvement to find problem-specific optimized LLVM pass sequences. We develop a pass-level patch representation in the linear genetic programming framework, Shackleton, to evolve the modifications to be applied to the default optimization pass sequences. Our GI-evolved solution has a mean of 3.7% runtime improvement compared to the -O3 optimization level in the default code generation options which optimizes on runtime. The proposed GI method provides an automatic way to find a problem-specific optimization sequence that improves upon a general solution without any expert domain knowledge. In this paper, we discuss the advantages and limitations of the GI feature in the Shackleton Framework and present our results.
• Abstract（参考訳）: 遺伝的改善は、与えられた問題に対する許容可能な解決策を改善することを目的とした検索技術である。 本稿では,問題特異的に最適化されたLLVMパスシーケンスを見つけるために,遺伝子改良の新たな利用法を提案する。 線形遺伝プログラミングフレームワークShackletonにおけるパスレベルのパッチ表現を開発し、デフォルトの最適化パスシーケンスに適用するための修正を進化させる。 我々のGI進化ソリューションは、実行時に最適化されるデフォルトコード生成オプションの-O3最適化レベルと比較して平均3.7%のランタイム改善があります。 提案手法は,専門分野の知識を必要とせず,汎用的な解法を改善する問題固有最適化シーケンスの自動探索方法を提供する。 本稿では,Shackleton FrameworkにおけるGI機能の利点と限界について論じ,その結果について述べる。

関連論文リスト

• Iterative or Innovative? A Problem-Oriented Perspective for Code Optimization [81.88668100203913]
  大規模言語モデル(LLM)は、幅広いプログラミングタスクを解く上で強力な能力を示している。 本稿では,パフォーマンス向上に着目したコード最適化について検討する。
  論文  参考訳（メタデータ） (2024-06-17T16:10:10Z)
• Genetic Engineering Algorithm (GEA): An Efficient Metaheuristic Algorithm for Solving Combinatorial Optimization Problems [1.8434042562191815]
  遺伝的アルゴリズム(GA)は最適化問題の解法における効率性で知られている。 本稿では遺伝子工学の概念からインスピレーションを得るため,遺伝子工学アルゴリズム(GEA)と呼ばれる新しいメタヒューリスティックアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-28T13:05:30Z)
• Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process Optimization [59.45414406974091]
  我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。 NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。 その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
  論文  参考訳（メタデータ） (2023-05-31T12:07:50Z)
• The FAIRy Tale of Genetic Algorithms [1.0957528713294875]
  Findable、Accessible、Interoperable、Reusable(FAIR)のデータ原則を拡張して、アルゴリズムの遺伝的および再使用を可能にしました。 我々は,GAの方法論的展開と変種について概説し,適切なソースの再現や発見を困難にしている。 この作業は、多数の機械学習アルゴリズム/メソッドに拡張することができる。
  論文  参考訳（メタデータ） (2023-04-29T11:36:09Z)
• Massively Parallel Genetic Optimization through Asynchronous Propagation of Populations [50.591267188664666]
  Propulateは、グローバル最適化のための進化的最適化アルゴリズムとソフトウェアパッケージである。 提案アルゴリズムは, 選択, 突然変異, 交叉, 移動の変種を特徴とする。 Propulateは解の精度を犠牲にすることなく、最大で3桁高速であることがわかった。
  論文  参考訳（メタデータ） (2023-01-20T18:17:34Z)
• 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)
• Optimizing LLVM Pass Sequences with Shackleton: A Linear Genetic Programming Framework [7.194537857140104]
  線形遺伝的プログラミングを応用可能なフレームワークとしてShackletonを紹介した。 ここでは、LLVM最適化パスのシーケンスを最適化する、このクラスの新しいアプリケーションについて検討する。 複雑度が異なる2つのソフトウェアアプリケーションに対して,シャクルトンを用いたパスシーケンスの自動最適化結果について報告する。
  論文  参考訳（メタデータ） (2022-01-31T15:28:02Z)
• Surrogate-Assisted Genetic Algorithm for Wrapper Feature Selection [4.89253144446913]
  複数レベルの近似やサロゲートを利用する新しい多段階特徴選択フレームワークを提案する。 実験の結果, SAGAはラッパーGAの3倍の速度で, ほぼ最適解に到達できることがわかった。
  論文  参考訳（メタデータ） (2021-11-17T12:33:18Z)
• EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm for Constrained Global Optimization [68.8204255655161]
  EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。 これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。 その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
  論文  参考訳（メタデータ） (2020-07-09T10:19:22Z)
• A Primer on Zeroth-Order Optimization in Signal Processing and Machine Learning [95.85269649177336]
  ZO最適化は、勾配推定、降下方向、ソリューション更新の3つの主要なステップを反復的に実行する。 我々は,ブラックボックス深層学習モデルによる説明文の評価や生成,効率的なオンラインセンサ管理など,ZO最適化の有望な応用を実証する。
  論文  参考訳（メタデータ） (2020-06-11T06:50:35Z)

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。