論文の概要: AwareCompiler: Agentic Context-Aware Compiler Optimization via a Synergistic Knowledge-Data Driven Framework

• arxiv url: http://arxiv.org/abs/2510.11759v1
• Date: Mon, 13 Oct 2025 02:02:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.035645
• Title: AwareCompiler: Agentic Context-Aware Compiler Optimization via a Synergistic Knowledge-Data Driven Framework
• Title（参考訳）: AwareCompiler:Synergistic Knowledge-Data Driven Frameworkによるエージェント・コンテキスト・アウェア・コンパイラ最適化
• Authors: Hongyu Lin, Haolin Pan, Haoran Luo, Yuchen Li, Kaichun Yao, Libo Zhang, Mingjie Xing, Yanjun Wu,
• Abstract要約: 本稿では,コンパイラ最適化のためのエージェントフレームワークである textbfAwareCompiler を紹介する。 構造化知識統合とデータセット構築、知識駆動適応パス生成、データ駆動ハイブリッドトレーニングパイプラインの3つの重要なイノベーション。 標準ベンチマークの実験結果は、AwareCompilerがパフォーマンスと効率の両方で既存のベースラインを大幅に上回っていることを示している。
• 参考スコア（独自算出の注目度）: 42.57224438231615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Compiler optimization is crucial for enhancing program performance by transforming the sequence of optimization passes while maintaining correctness. Despite the promising potential of large language models (LLMs)-based agent for software optimization, automating compiler optimization remains challenging due to: (1) semantic misalignment between abstract program representations and concrete optimization passes, (2) inefficient interaction mechanisms between agents and compiler environments, and (3) reward sparsity from the extensive decision-making process within large optimization spaces. This paper introduces \textbf{AwareCompiler}, an agentic framework for compiler optimization that addresses these challenges through three key innovations: structured knowledge integration and dataset construction, knowledge-driven adaptive pass generation, and data-driven hybrid training pipeline. Experimental results on standard benchmarks demonstrate that AwareCompiler significantly outperforms existing baselines in both performance and efficiency, highlighting the effectiveness of our synergistic knowledge-data-driven approach. Our code is publicly available at https://github.com/LHY-24/AwareCompiler.
• Abstract（参考訳）: コンパイラ最適化は、最適化パスのシーケンスを正確性を維持しつつ変換することで、プログラム性能を向上させるために重要である。 1)抽象的なプログラム表現と具体的な最適化パスのセマンティックなミスアライメント,(2)エージェントとコンパイラ環境間の非効率な相互作用機構,(3)大規模な最適化空間内での広範な意思決定プロセスからの報酬の相違,などにより,ソフトウェア最適化のための大規模言語モデル(LLM)ベースのエージェントの有望な可能性にもかかわらず,コンパイラ最適化の自動化は依然として困難なままである。 本稿では、構造化知識の統合とデータセット構築、知識駆動適応パス生成、データ駆動型ハイブリッドトレーニングパイプラインという3つの重要なイノベーションを通じて、これらの課題に対処するコンパイラ最適化のためのエージェントフレームワークである「textbf{AwareCompiler}」を紹介する。 標準ベンチマーク実験の結果、AwareCompilerは既存のベースラインを性能と効率の両方で大幅に上回っており、我々の相乗的知識データ駆動アプローチの有効性を強調している。 私たちのコードはhttps://github.com/LHY-24/AwareCompiler.comで公開されています。

関連論文リスト

• Compiler Optimization Testing Based on Optimization-Guided Equivalence Transformations [3.2987550056134873]
  本稿では,コンパイラ最適化にインスパイアされたメタモルフィックテスト手法を提案する。 提案手法ではまず,最適化条件を満たす入力プログラムを生成するために,最適化されたコード構築戦略を用いる。 事前変換プログラムと後変換プログラムの出力を比較することで、不正な最適化バグを効果的に識別する。
  論文  参考訳（メタデータ） (2025-04-06T01:37:57Z)
• A Reinforcement Learning Environment for Automatic Code Optimization in the MLIR Compiler [0.10923877073891444]
  本稿では,MLIRコンパイラ研究の促進を目的とした,MLIRコンパイラの最初のRL環境について紹介する。 また、より単純なアクション部分空間の積として作用空間の新たな定式化を提案し、より効率的かつ効率的な最適化を可能にした。
  論文  参考訳（メタデータ） (2024-09-17T10:49:45Z)
• Should AI Optimize Your Code? A Comparative Study of Classical Optimizing Compilers Versus Current Large Language Models [0.0]
  大規模言語モデル(LLM)は、コード最適化に革命をもたらすAIアプローチの可能性に関する興味深い疑問を提起する。 この作業は、コンパイラコミュニティにとって重要な質問に答えることを目的としている。 本稿では3つの古典最適化コンパイラと2つの最近の大規模言語モデルの比較分析を行う。
  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)
• 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)

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。