論文の概要: Magellan: Autonomous Discovery of Novel Compiler Optimization Heuristics with AlphaEvolve
- arxiv url: http://arxiv.org/abs/2601.21096v1
- Date: Wed, 28 Jan 2026 22:34:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-30 16:22:49.467859
- Title: Magellan: Autonomous Discovery of Novel Compiler Optimization Heuristics with AlphaEvolve
- Title（参考訳）: Magellan: AlphaEvolveを使った新しいコンパイラ最適化ヒューリスティックの自動発見
- Authors: Hongzheng Chen, Alexander Novikov, Ngân Vũ, Hanna Alam, Zhiru Zhang, Aiden Grossman, Mircea Trofin, Amir Yazdanbakhsh,
- Abstract要約: 我々は,コンパイラを進化させるエージェントフレームワークであるMagellanを,実行可能なC++決定ロジックによって自身をパスする。
M Magellan は LLM 符号化エージェントに進化的探索とオートチューニングを結合して生成のクローズドループ、ユーザが提供するマクロベンチマークの評価、改善を行う。
我々は,XLA問題に関する予備的な結果を報告し,LLVM以外の移植性を示すとともに,工学的労力を削減した。
- 参考スコア（独自算出の注目度）: 44.73800369169414
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern compilers rely on hand-crafted heuristics to guide optimization passes. These human-designed rules often struggle to adapt to the complexity of modern software and hardware and lead to high maintenance burden. To address this challenge, we present Magellan, an agentic framework that evolves the compiler pass itself by synthesizing executable C++ decision logic. Magellan couples an LLM coding agent with evolutionary search and autotuning in a closed loop of generation, evaluation on user-provided macro-benchmarks, and refinement, producing compact heuristics that integrate directly into existing compilers. Across several production optimization tasks, Magellan discovers policies that match or surpass expert baselines. In LLVM function inlining, Magellan synthesizes new heuristics that outperform decades of manual engineering for both binary-size reduction and end-to-end performance. In register allocation, it learns a concise priority rule for live-range processing that matches intricate human-designed policies on a large-scale workload. We also report preliminary results on XLA problems, demonstrating portability beyond LLVM with reduced engineering effort.
- Abstract（参考訳）: 現代のコンパイラは、最適化パスをガイドするために手作りのヒューリスティックに依存している。
これらの人間設計のルールは、しばしば現代のソフトウェアとハードウェアの複雑さに適応するのに苦労し、高いメンテナンス負担をもたらす。
この課題に対処するため、コンパイラを進化させるエージェントフレームワークであるMagellanを、実行可能なC++決定ロジックを合成することによって、自らをパスする。
マゼランはLLM符号化エージェントに、進化的検索とオートチューニングをクローズドループで結合し、ユーザが提供するマクロベンチマークの評価と改良を行い、既存のコンパイラに直接統合するコンパクトなヒューリスティックを生成する。
いくつかの生産最適化タスクの中で、Magellan氏は、専門家の基準と一致するか、あるいは超えるポリシーを発見する。
LLVM関数のインライン化において、Magellan氏は、新しいヒューリスティックを合成する。
レジスタ割り当てでは、大規模なワークロードにおいて、複雑なヒューマンデザインポリシーにマッチする、ライブレンジ処理のための簡潔な優先度ルールを学習する。
また、XLA問題に関する予備的な結果を報告し、LLVMを超えて移植性を示し、エンジニアリングの労力を削減した。
関連論文リスト
- PEAK: A Performance Engineering AI-Assistant for GPU Kernels Powered by Natural Language Transformations [0.8699280339422538]
我々は、自然言語変換を利用したカーネルのためのパフォーマンスエンジニアリングAIアシストであるPEAKを紹介する。
実装が利用可能な場合、ベンダーライブラリと競合し、(ライブラリなしで)HLSLについては、ドキュメント化されたFLOPSです。
論文 参考訳（メタデータ） (2025-12-22T04:15:24Z) - Library Liberation: Competitive Performance Matmul Through Compiler-composed Nanokernels [37.00431889602245]
本稿では,スケーラブルで高性能なマイクロカーネルを自動生成するコンパイル方式を提案する。
本手法は,ベクトルおよびタイルベースのCPU命令をサポートするMLIRベースのコンパイラで実装する。
実験の結果、生成したナノカーネルは生産品質が高く、最先端のマイクロカーネルライブラリと競合することがわかった。
論文 参考訳（メタデータ） (2025-11-14T14:32:28Z) - Context-Guided Decompilation: A Step Towards Re-executability [50.71992919223209]
バイナリ逆コンパイルは、ソフトウェアセキュリティ分析、リバースエンジニアリング、マルウェア理解において重要な役割を果たす。
大規模言語モデル (LLMs) の最近の進歩により、ニューラルデコンパイルが可能になったが、生成されたコードは一般的に意味論的にのみ使用可能である。
In-context Learning(ICL)を活用して,再実行可能なソースコードを生成するためのILC4Decompを提案する。
論文 参考訳（メタデータ） (2025-11-03T17:21:39Z) - QiMeng-NeuComBack: Self-Evolving Translation from IR to Assembly Code [52.66657751895655]
大規模言語モデル(LLM)は、ニューラルコンパイルという魅力的な新しいパラダイムを提供する。
本稿では,IR-to-assemblyコンパイル用に設計された新しいベンチマークデータセットであるNeuComBackを紹介する。
LLMの内部的なプロンプト戦略を進化させる自己進化的プロンプト最適化法を提案する。
論文 参考訳（メタデータ） (2025-11-03T03:20:26Z) - REASONING COMPILER: LLM-Guided Optimizations for Efficient Model Serving [6.19179006129561]
本稿では,逐次的かつコンテキスト対応な意思決定プロセスとして最適化を定式化する,新しいコンパイルフレームワーク(Dubbed Reasoning)を提案する。
提案手法は,LLM誘導推論がコンパイラ最適化のランドスケープを変革する可能性を示す。
論文 参考訳（メタデータ） (2025-06-02T07:02:46Z) - StepCoder: Improve Code Generation with Reinforcement Learning from
Compiler Feedback [58.20547418182074]
2つの主要コンポーネントからなるコード生成の新しいフレームワークであるStepCoderを紹介します。
CCCSは、長いシーケンスのコード生成タスクをCurriculum of Code Completion Subtaskに分割することで、探索課題に対処する。
FGOは、未実行のコードセグメントをマスクすることでのみモデルを最適化し、Fine-Grained Optimizationを提供する。
提案手法は,出力空間を探索し,対応するベンチマークにおいて最先端の手法より優れた性能を発揮する。
論文 参考訳（メタデータ） (2024-02-02T13:14:31Z) - Tackling the Matrix Multiplication Micro-kernel Generation with Exo [0.5517652814152908]
新しいハードウェアごとに専用のマイクロカーネルを生成するためのステップバイステップの手順を提案する。
ハードウェアターゲットは、その命令の簡潔なライブラリベースの記述によって完全に指定されるため、生成したコードの移植性も向上する。
論文 参考訳（メタデータ） (2023-10-26T14:09:57Z) - 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。