論文の概要: Is manual software optimization a thing of the past?

• arxiv url: http://arxiv.org/abs/2609.37849v1
• Date: Tue, 29 Sep 2026 15:42:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.698581
• Title: Is manual software optimization a thing of the past?
• Title（参考訳）: 手動のソフトウェア最適化は過去のものだろうか?
• Abstract要約: 本研究では,大規模言語モデルが科学ソフトウェアの性能向上を自律的に達成できるかどうかを考察する。 我々は3つの計算問題に対してソフトウェアを最適化するLLMエージェントを課題とした。 改良には低レベルのコード最適化、数学的修正、グラフレットカウントのための全く新しいアルゴリズムが含まれていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific software is increasingly required to process larger datasets while maintaining acceptable execution times. Software optimization traditionally requires substantial expertise in programming, algorithms, and numerical methods. Recent advances in large language models (LLMs) offer the possibility of automating much of this process. We investigate whether LLM-based agents can autonomously achieve substantial performance improvements in scientific software, including mature implementations that have already been extensively optimized by human developers. We tasked an LLM-based agent with optimizing software for three computational problems: t-SNE, single-sample gene set enrichment analysis (ssGSEA), and graphlet counting. Humans defined the scope, correctness criteria, and a verification mechanism, after which the agent worked autonomously, in some cases for several hours. Code maintainers reviewed each resulting implementation and verified its correctness. The optimized implementations were faster in all tested configurations, by up to two orders of magnitude over the fastest existing tools. The improvements included low-level code optimizations, mathematical reformulations, and an entirely new algorithm for graphlet counting. Software optimization can increasingly be delegated to autonomous agents, with the human role shifting from implementing optimizations to deciding which software to optimize, defining objectives, providing verification mechanisms, and ensuring the correctness of the final software. For well-scoped, verifiable problems, we argue that manual software optimization may be a thing of the past.
• Abstract（参考訳）: 科学ソフトウェアは、許容可能な実行時間を維持しながら、より大きなデータセットを処理するためにますます必要となる。 ソフトウェア最適化は伝統的に、プログラミング、アルゴリズム、数値手法の専門知識を必要とする。 大規模言語モデル(LLM)の最近の進歩は、このプロセスの多くを自動化する可能性を示唆している。 我々は, LLMをベースとしたエージェントが, 人間の開発者によってすでに広く最適化されている成熟した実装を含む, 科学ソフトウェアにおいて, 大幅な性能向上を自律的に達成できるかどうかを検討する。 我々は、t-SNE、単一サンプル遺伝子セットエンリッチメント解析(ssGSEA)、グラフレットカウントという3つの計算問題に対して、ソフトウェアを最適化するLLMベースのエージェントを課題とした。 人間はスコープ、正当性基準、検証メカニズムを定義し、その後エージェントは数時間にわたり自律的に作業した。 コードメンテナはそれぞれの実装をレビューし、その正しさを確認した。 最適化された実装は、すべてのテスト済み設定において、最速の既存のツールよりも最大2桁高速だった。 改良には、低レベルのコード最適化、数学的修正、そして完全に新しいグラフレットカウントアルゴリズムが含まれていた。 ソフトウェア最適化は、人間の役割が最適化の実装から、どのソフトウェアを最適化するかを決め、目的を定義し、検証メカニズムを提供し、最終的なソフトウェアの正しさを確実にするようになる。 精査された検証可能な問題に対して、手動のソフトウェア最適化は過去の問題かもしれない、と我々は主張する。

関連論文リスト

• SysLLMatic: Large Language Models are Software System Optimizers [5.342249053033864]
  本稿では,LLMと性能診断フィードバックを統合したシステムであるSysLLMaticと,43の最適化パターンをキュレートしたカタログを提示する。 我々は、HumanEval_CPP(C++の競合プログラミング)、SciMark2(Javaの科学的カーネル)、DaCapoBench(Javaの大規模ソフトウェアシステム)の3つのベンチマークスイートで評価した。 その結果、SysLLMaticは、レイテンシ、スループットエネルギー効率、メモリ使用量、CPU使用量など、ソフトウェアシステムのパフォーマンスを向上できることがわかった。
  論文  参考訳（メタデータ） (2025-06-02T01:57:21Z)
• SURGE: On the Potential of Large Language Models as General-Purpose Surrogate Code Executors [7.210032327838313]
  大規模言語モデル(LLM)がコード実行予測の代理モデルとして機能するかどうかを検討する。 オープンソースおよびプロプライエタリ LLM の広範な分析を通じて,スケーリング法則,データ効率,予測精度について検討する。 計算機処理における効率的なサロゲートとしてのLCMの実現可能性に関する重要な知見を明らかにした。
  論文  参考訳（メタデータ） (2025-02-16T15:38:19Z)
• 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)
• 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)
• 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)
• Global Optimization of Gaussian processes [52.77024349608834]
  少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。 このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。 提案手法の順序の順序による時間収束を,総じて低減する。
  論文  参考訳（メタデータ） (2020-05-21T20:59:11Z)

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。