論文の概要: HintPilot: LLM-based Compiler Hint Synthesis for Code Optimization

• arxiv url: http://arxiv.org/abs/2604.15041v1
• Date: Thu, 16 Apr 2026 14:07:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.93752
• Title: HintPilot: LLM-based Compiler Hint Synthesis for Code Optimization
• Title（参考訳）: HintPilot:コード最適化のためのLLMベースのコンパイラHint合成
• Authors: Hanyun Jiang, Peisen Yao, Kaiyue Li, Tingting Lin, Chengpeng Wang, Kui Ren,
• Abstract要約: 我々は、従来のコンパイラのインフラでLLMベースの推論をブリッジするHintPilotを提案する。 HintPilotはコンパイラのヒント、コンパイラの振る舞いを制御できるアノテーションを合成する。 プログラムの正確性を維持しながら、最大6.88倍の幾何平均速度を -Ofast で達成する。
• 参考スコア（独自算出の注目度）: 17.39691700705026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Code optimization remains a core objective in software development, yet modern compilers struggle to navigate the enormous optimization spaces. While recent research has looked into employing large language models (LLMs) to optimize source code directly, these techniques can introduce semantic errors and miss fine-grained compiler-level optimization opportunities. We present HintPilot, which bridges LLM-based reasoning with traditional compiler infrastructures via synthesizing compiler hints, annotations that steer compiler behavior. HintPilot employs retrieval-augmented synthesis over compiler documentation and applies profiling-guided iterative refinement to synthesize semantics-preserving and effective hints. Upon PolyBench and HumanEval-CPP benchmarks, HintPilot achieves up to 6.88x geometric mean speedup over -Ofast while preserving program correctness.
• Abstract（参考訳）: コード最適化はソフトウェア開発の中核的な目標であり続けているが、現代のコンパイラは巨大な最適化空間をナビゲートするのに苦労している。 近年の研究では、ソースコードを直接最適化するために大きな言語モデル(LLM)を使用することが検討されているが、これらのテクニックはセマンティックエラーを導入し、コンパイラレベルの最適化のきめ細かい機会を逃すことができる。 我々は,LLMベースの推論を従来のコンパイラインフラストラクチャにブリッジするHintPilotを紹介し,コンパイラの動作を制御するアノテーションであるコンパイラヒントを合成する。 HintPilotは、コンパイラドキュメンテーションよりも検索強化された合成を採用し、プロファイリング誘導反復改良を適用してセマンティックス保存と効果的なヒントを合成する。 PolyBenchとHumanEval-CPPベンチマークでは、HintPilotはプログラムの正確性を維持しながら、最大6.88倍の幾何平均スピードアップを達成する。

関連論文リスト

• 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)
• Agentic Auto-Scheduling: An Experimental Study of LLM-Guided Loop Optimization [0.9558392439655014]
  大規模言語モデル(LLM)は、コンパイラとのクローズドループインタラクションを通じてプロセスをガイドする。 ComPilotは、LLMが特定のループネストのコンパイラへの変換を提案するフィードバックループを確立する。 コンパイラは変換を試み、合法性ステータスを報告し、スピードアップまたはスローダウンを測定します。 ComPilotは、元のコードに対して2.66x(単一実行)と3.54x(ベスト・オブ・5実行)の幾何平均スピードアップを達成する。
  論文  参考訳（メタデータ） (2025-11-01T15:32:34Z)
• 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)
• Compiler generated feedback for Large Language Models [3.86901256759401]
  我々は,LLVMアセンブリのコードサイズを最適化するために,コンパイラフィードバックを備えたLarge Language Modelを用いたコンパイラ最適化において,新しいパラダイムを導入する。 このモデルは、最適化されていないLLVM IRを入力として取り、最適化されたIR、最適な最適化パス、最適化されていないIRと最適化されたIRの両方の命令数を生成する。
  論文  参考訳（メタデータ） (2024-03-18T23:25:13Z)
• 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)
• 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。