論文の概要: Effect of Abstractions and Prompting Strategies on LLM-Guided High-Performance Optimizations

• arxiv url: http://arxiv.org/abs/2608.08085v2
• Date: Sat, 15 Aug 2026 13:14:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.010789
• Title: Effect of Abstractions and Prompting Strategies on LLM-Guided High-Performance Optimizations
• Title（参考訳）: LLM誘導高性能最適化における抽象化とプロンプト方略の影響
• Authors: Jiří Klepl, Matyáš Brabec, Martin Kruliš,
• Abstract要約: 大規模言語モデル(LLM)は、コードの生成と理解を可能にする。 伝統的に、この自動化にはソースコードをドメイン固有の表現に変換することが含まれる。 本稿では,自動コード最適化における従来の抽象化がLLM誘導最適化の性能と正しさを向上するかどうかを考察する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Code performance optimization is a vital aspect of modern software development, as it enables faster response times and reduced resource usage. These optimizations require a deep understanding of low-level hardware details and the intricacies of parallel processing, making them challenging even for experienced developers. With the advent of Large Language Models (LLMs), which are increasingly capable of generating and understanding code, there is growing interest in incorporating these models into automated code optimization processes. Traditionally, this automation involves transcribing the source code into a domain-specific representation that can be auto-tuned using grid search or machine learning algorithms, while adhering to strict rules and a limited set of feasible transformations to ensure verifiability. LLMs incorporate high-level code semantics and can thus perform transformations that go beyond verifiable automated optimizations. This paper investigates whether the traditional abstractions used in automated code optimization improve the performance and correctness of LLM-guided optimizations of parallel HPC applications. We evaluate this using the PolyBench benchmark suite and demonstrate that, in our evaluated setting, LLMs provided with specific optimization goals achieve better measured performance and validity rates when generating C code compared to creating computation pipelines and optimization schedules with established frameworks, suggesting that future development should explore alternative approaches for verifiable LLM-guided code optimization.
• Abstract（参考訳）: コードパフォーマンスの最適化は、応答時間の短縮とリソース使用量の削減を可能にするため、現代のソフトウェア開発において重要な側面である。 これらの最適化は、低レベルのハードウェアの詳細と並列処理の複雑さを深く理解する必要がある。 コードの生成と理解がますます進むLarge Language Models(LLM)の出現に伴い、これらのモデルを自動コード最適化プロセスに組み込むことへの関心が高まっている。 従来、この自動化には、ソースコードをグリッド検索や機械学習アルゴリズムを使って自動チューニング可能なドメイン固有の表現に書き換えると同時に、厳格なルールと限定された実行可能な変換に固執して、検証性を保証する必要がある。 LLMには高レベルのコードセマンティクスが含まれており、検証可能な自動最適化を超えて変換を行うことができる。 本稿では,並列HPCアプリケーションのLLM誘導最適化の性能と正確性を改善するために,コードの自動最適化に使用される従来の抽象化について検討する。 我々は、PolyBenchベンチマークスイートを用いてこれを評価し、評価環境では、計算パイプラインの作成や確立したフレームワークによる最適化スケジュールよりも、Cコードを生成する際の測定性能と妥当性を、特定の最適化目標が達成できることを示し、将来の開発がLLM誘導コード最適化の代替アプローチを検討するべきであることを示唆している。

関連論文リスト

• PerfCodeBench: Benchmarking LLMs for System-Level High-Performance Code Optimization [43.72919370258115]
  PerfCodeBenchは、大規模言語モデル(LLM)を高速コード最適化で評価するための実行可能なベンチマークである。 このタスクには、システムレベルの実装選択、ハードウェア対応の最適化、パフォーマンスボトルネックの慎重に処理する必要がある。 我々の評価は、モデル生成コードと専門家最適化実装の間に明確なギャップがあることを示します。
  論文  参考訳（メタデータ） (2026-05-13T08:10:26Z)
• A New Benchmark for the Appropriate Evaluation of RTL Code Optimization [11.115027718178759]
  この研究は、RTL最適化における大規模言語モデル(LLM)の能力を評価するベンチマークであるRTL-OPTを導入する。 各タスクは、業界で実証された最適化パターンを反映した、一対のRTLコード、準最適バージョン、人間に最適化された参照を提供する。 さらに、RTL-OPTは自動評価フレームワークを統合し、機能的正当性を検証し、改善を定量化する。
  論文  参考訳（メタデータ） (2026-01-05T03:47:26Z)
• PerfCoder: Large Language Models for Interpretable Code Performance Optimization [15.79612555952707]
  PerfCoderは、ソースコードからパフォーマンス向上したコードを生成するために設計された、大規模な言語モデル(LLM)のファミリーである。 PerfCoderは、人間が読めるアノテーションで、現実世界の最適化トラジェクトリのキュレートされたコレクションに微調整されている。 PerfCoderは、実行時のスピードアップと効率的な最適化率の両方で、既存のモデルをすべて上回っている。
  論文  参考訳（メタデータ） (2025-12-16T02:30:04Z)
• Rethinking LLM-Based RTL Code Optimization Via Timing Logic Metamorphosis [3.3369784425736606]
  RTL最適化の特定の領域に対応する4つのサブセットからなるRTL最適化評価のための新しいベンチマークを提案する。 LLMは論理演算を効果的に最適化し、既存のコンパイラベースのメソッドより優れている。 LLMは、複雑なタイミング論理を持つRTLコード上の既存のコンパイラベースのメソッドよりもパフォーマンスが良くない。
  論文  参考訳（メタデータ） (2025-07-22T17:57:02Z)
• Scaffolded Language Models with Language Supervision for Mixed-Autonomy: A Survey [52.00674453604779]
  本調査は,戦後のLM周辺における新規構造物の設計と最適化に関する文献を整理した。 本稿では,この階層構造を足場型LMと呼び,ツールを用いた多段階プロセスに統合されたLMに焦点を当てる。
  論文  参考訳（メタデータ） (2024-10-21T18:06:25Z)
• CodeDPO: Aligning Code Models with Self Generated and Verified Source Code [52.70310361822519]
  我々は、コード生成に好み学習を統合するフレームワークであるCodeDPOを提案し、コードの正確性と効率性という2つの重要なコード優先要因を改善した。 CodeDPOは、コードとテストケースを同時に生成、評価するセルフジェネレーション・アンド・バリデーションメカニズムを利用して、新しいデータセット構築方法を採用している。
  論文  参考訳（メタデータ） (2024-10-08T01:36:15Z)
• A Problem-Oriented Perspective and Anchor Verification for Code Optimization [43.28045750932116]
  大規模言語モデル(LLM)は、様々なプログラミングタスクを解く際、顕著な能力を示している。 本稿では,LLMが最小実行時間に最適化する能力について検討する。
  論文  参考訳（メタデータ） (2024-06-17T16:10:10Z)
• LLM as a Complementary Optimizer to Gradient Descent: A Case Study in Prompt Tuning [69.95292905263393]
  グラデーションベースとハイレベルなLLMは、協調最適化フレームワークを効果的に組み合わせることができることを示す。 本稿では,これらを相互に補完し,組み合わせた最適化フレームワークを効果的に連携させることができることを示す。
  論文  参考訳（メタデータ） (2024-05-30T06:24:14Z)

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。