論文の概要: CompileRover: Revolutionizing Virtual Machine Compiler Optimization with a Tri-Role LLM-Driven Framework

• arxiv url: http://arxiv.org/abs/2609.19004v1
• Date: Tue, 21 Jul 2026 02:36:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.591595
• Title: CompileRover: Revolutionizing Virtual Machine Compiler Optimization with a Tri-Role LLM-Driven Framework
• Title（参考訳）: CompileRover: トリロールLLM駆動フレームワークによる仮想マシンコンパイラ最適化の革新
• Abstract要約: コード最適化は仮想マシンコンパイラの開発において重要な役割を果たす。 既存の仮想マシンコンパイラの出力は冗長な計算、非効率なループ構造、最適化関数の実装を示す。 仮想マシンコンパイラ向けに設計された高度な最適化フレームワークであるCompileRoverを提案する。
• 参考スコア（独自算出の注目度）: 4.019632358747631
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Code optimization plays a crucial role in the development of virtual machine compilers, with optimization frameworks significantly enhancing the performance of generated assembly code. However, existing virtual machine compiler outputs frequently exhibit redundant computations, inefficient loop structures, and suboptimal function implementations, which collectively impair execution efficiency. To address these shortcomings, we propose CompileRover, an advanced optimization framework specifically designed for virtual machine compilers. CompileRover employs a sophisticated three-role collaboration mechanism, comprising a referee, an advisor, and an operator, effectively overcoming performance bottlenecks by leveraging comprehensive optimization algorithms and novel methodologies, including control flow analysis, code structure transformations, and dynamic execution pattern recognition. Extensive evaluations demonstrate that CompileRover consistently surpasses state-of-the-art virtual machine compilers, achieving significant improvements in execution performance across various benchmarks. Furthermore, performance analyses validate that the introduced optimizations notably reduce execution overhead, improve dataflow consistency, and robustly enhance compiler performance, showcasing CompileRover as an effective and reliable approach to optimizing virtual machine compilers.
• Abstract（参考訳）: コード最適化は仮想マシンコンパイラの開発において重要な役割を担い、最適化フレームワークは生成されたアセンブリコードのパフォーマンスを大幅に向上させる。 しかし、既存の仮想マシンコンパイラの出力は、冗長な計算、非効率なループ構造、最適でない関数の実装をしばしば示し、実行効率を損なう。 これらの欠点に対処するため,仮想マシンコンパイラ向けに設計された高度な最適化フレームワークであるCompileRoverを提案する。 CompileRoverは、レフェリー、アドバイザ、オペレータからなる洗練された3ロールの協調機構を採用し、包括的な最適化アルゴリズムと制御フロー解析、コード構造変換、動的実行パターン認識を含む新しい方法論を活用することで、パフォーマンスボトルネックを効果的に克服する。 大規模な評価によると、CompileRoverは最先端の仮想マシンコンパイラを一貫して上回り、さまざまなベンチマークで実行パフォーマンスが大幅に向上している。 さらに、パフォーマンス分析により、導入した最適化が実行オーバーヘッドを著しく低減し、データフローの一貫性を改善し、コンパイラのパフォーマンスを堅牢に向上し、仮想マシンコンパイラを最適化するための効果的で信頼性の高いアプローチとしてCompileRoverを示す。

関連論文リスト

• VeriAgent: A Tool-Integrated Multi-Agent System with Evolving Memory for PPA-Aware RTL Code Generation [52.43796056267479]
  高品質なベリログコード生成のためのPPA対応ツール統合マルチエージェントフレームワークを提案する。 当社のフレームワークでは,EDAツールをtextitProgrammer Agent, textitCorrectness Agent, textitPPA Agentで構成されるクローズドループワークフローに明示的に組み込んでいる。 モデル再トレーニングなしに継続的な改善をサポートするために,構造化メモリノードに最適化エクスペリエンスを外部化するtextitEvolved Memory Mechanismを導入する。
  論文  参考訳（メタデータ） (2026-03-18T11:25:40Z)
• AwareCompiler: Agentic Context-Aware Compiler Optimization via a Synergistic Knowledge-Data Driven Framework [42.57224438231615]
  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。
  論文  参考訳（メタデータ） (2025-10-13T02:02:36Z)
• 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)
• 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。