論文の概要: AutoPass: Evidence-Guided LLM Agents for Compiler Performance Tuning

• arxiv url: http://arxiv.org/abs/2606.20373v1
• Date: Thu, 18 Jun 2026 15:35:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.949947
• Title: AutoPass: Evidence-Guided LLM Agents for Compiler Performance Tuning
• Title（参考訳）: AutoPass: コンパイラのパフォーマンスチューニングのためのエビデンスガイド付きLDMエージェント
• Authors: Zepeng Li, Jie Ren, Zhanyong Tang, Jie Zheng, Zheng Wang,
• Abstract要約: コンパイラのパフォーマンスチューニングのためのフレームワークであるAutoPassを紹介する。 以前の自動チューニングスキームのようにコンパイラをブラックボックスとして扱うのではなく、AutoPassはコンパイラをLarge Language Modelsに開放する。 LLVMコンパイラにAutoPassを実装し,サーバグレードのx86-64と組み込みのARM64システムで評価する。
• 参考スコア（独自算出の注目度）: 10.226551948292423
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) show promise for code compilation tasks, but applying them to runtime performance tuning is difficult due to complex microarchitectural effects and noisy runtime measurements. We present AutoPass, a multi-agent framework for compiler performance tuning that uses compiler and runtime evidence to guide LLM-generated optimization decisions. Rather than treating the compiler as a black box like prior auto-tuning schemes, AutoPass opens up the compiler to the LLM, enabling it to query compiler-internal optimization states and analyze the intermediate representation to orchestrate compiler options. The search process iteratively refines optimization configurations using measured runtime feedback to diagnose regressions and guide latency-improving edits. AutoPass operates in an inference-only, training-free setting and requires no offline training or task-specific fine-tuning, making it readily applicable to new benchmarks and platforms. We implement AutoPass on the LLVM compiler and evaluate it on server-grade x86-64 and embedded ARM64 systems. AutoPass outperforms expert-tuned heuristics and classical autotuning methods, achieving geometric-mean speedups of 1.043x and 1.117x over LLVM -O3 on x86-64 and ARM64, respectively.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、コードコンパイルタスクの約束を示すが、複雑なマイクロアーキテクチャ効果とノイズの多いランタイム測定のため、実行時のパフォーマンスチューニングにそれらを適用するのは難しい。 コンパイラと実行時エビデンスを使用して,LLM生成の最適化決定をガイドするマルチエージェントフレームワークであるAutoPassを提案する。 コンパイラを以前の自動チューニング方式のようにブラックボックスとして扱う代わりに、AutoPassはコンパイラをLLMに開放し、コンパイラ内部の最適化状態をクエリし、中間表現を分析してコンパイラオプションをオーケストレーションする。 検索プロセスは、測定されたランタイムフィードバックを使用して最適化設定を反復的に洗練し、レグレッションを診断し、遅延改善編集をガイドする。 AutoPassは推論のみの、トレーニングなしの設定で動作し、オフライントレーニングやタスク固有の微調整を必要としないため、新しいベンチマークやプラットフォームにも容易に適用できる。 LLVMコンパイラにAutoPassを実装し,サーバグレードのx86-64と組み込みのARM64システムで評価する。 AutoPass は専門家によるヒューリスティックスと古典的なオートチューニング手法より優れており、それぞれ x86-64 と ARM64 で LLVM -O3 上で 1.043x と 1.117x の幾何平均高速化を実現している。

関連論文リスト

• AgentCompile: An LLM-Guided Compiler for Direct CUDA Inference [58.285369364699]
  本稿では,LDM出力をアドバイザリ検索メタデータとしてのみ使用するLDM誘導型推論コンパイラであるAgentCompileを提案する。 コンパイラ由来の領域要約と境界付き候補空間が与えられた後、LLMはセマンティックラベル、候補優先順位、パラメータヒント、リスクアノテーションを提案する。 AgentCompileは、グラフテンプレートを通じて候補を実体化し、インターフェースとハードウェアの制約をチェックし、試験的に候補を検証する。 エンドツーエンドの自動回帰生成では、AgentCompileはQwen3-1.7B上のPyTorch上で平均5.66x、4.05x、4.26xのスピードアップを行う。
  論文  参考訳（メタデータ） (2026-06-04T03:49:56Z)
• AutoVecCoder: Teaching LLMs to Generate Explicitly Vectorized Code [69.84692701646769]
  AutoVecCoderは、大規模言語モデルに自動明示的ベクトル化機能を持たせるために設計された新しいフレームワークである。 自動データ合成パイプラインであるVecPromptは、ドメイン固有の固有の知識を注入する。 強化学習フレームワークであるVecRLは、コード生成と実行効率を一致させる。 このフレームワークでトレーニングされたAutoVecCoder-8Bは、SimdBenchのSSEおよびAVXサブセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-18T07:33:15Z)
• Prism: Efficient Test-Time Scaling via Hierarchical Search and Self-Verification for Discrete Diffusion Language Models [96.0074341403456]
  LLM推論を改善するための実用的な方法として、推論時計算が再導入されている。 テスト時間スケーリング(TTS)アルゴリズムの多くは、自動回帰デコーディングに依存している。 そこで我々は,dLLM のための効率的な TTS フレームワーク Prism を提案する。
  論文  参考訳（メタデータ） (2026-02-02T09:14:51Z)
• nncase: An End-to-End Compiler for Efficient LLM Deployment on Heterogeneous Storage Architectures [7.460240094212613]
  さまざまなターゲットに対して最適化を統合するために設計された、エンドツーエンドのコンパイルフレームワークであるnncaseを提示する。 nncaseは、異種コンピューティングユニットに適応するためのAuto Vectorize、並列戦略を検索するためのAuto Distribution、オンチップキャッシュのローカリティを最大化するAuto Scheduleの3つの重要なモジュールを統合している。
  論文  参考訳（メタデータ） (2025-12-25T08:27:53Z)
• Understanding Accelerator Compilers via Performance Profiling [1.1841612917872066]
  アクセラレータ設計言語(ADL)は、ハードウェアユニットにコンパイルされるハイレベル言語である。 Petalは、コンパイラの判断がパフォーマンスにどのように影響するかを理解するための、サイクルレベルのツールです。 その結果,Petalのサイクルレベルのプロファイルは,既存の設計における性能問題を特定することができることがわかった。
  論文  参考訳（メタデータ） (2025-11-24T22:40:11Z)
• 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)
• An LLM Compiler for Parallel Function Calling [68.04566807806071]
  我々は,複数の関数呼び出しを効率的にオーケストレーションするために並列に関数を実行するLLMCompilerを紹介する。 ReActと比較して、一貫したレイテンシの高速化が3.7倍、コストの削減が6.7倍、精度が9%向上している。
  論文  参考訳（メタデータ） (2023-12-07T18:32:04Z)
• A Case Study of LLVM-Based Analysis for Optimizing SIMD Code Generation [0.0]
  本稿では,新しいARM A64FXプロセッサをターゲットとした DCA++ アプリケーションをチューニングするために,LLVM ベースのツールを使用する手法を提案する。 これらのコード変更を適用することで、コードスピードは1.98X増加し、A64FXプロセッサ上で78GFlopsを達成した。
  論文  参考訳（メタデータ） (2021-06-27T22:38:16Z)
• Autotuning PolyBench Benchmarks with LLVM Clang/Polly Loop Optimization Pragmas Using Bayesian Optimization (extended version) [0.8070511670572696]
  LLVM Clang/Pollyループ最適化プラグマを用いてPolyBenchベンチマークを最適化する。 次に、自動調整フレームワークを使用して、pragmaパラメータを最適化してパフォーマンスを改善します。 本稿では,Floyd-Warshallベンチマークの性能向上のために,単純なmctreeオートチューニングフレームワークを用いたループ自動チューニングを提案する。
  論文  参考訳（メタデータ） (2021-04-27T14:46:57Z)

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。