بازتعریف بهینه سازی کامپایلر با یادگیری تقویتی مبتنی بر گراف های سلسله مراتبی با ارائه یک روش

بهینه سازی کارایی برنامه در مواجهه با معماری های ناهمگن و پیچیده یکی از چالش برانگیزترین مسائل در طراحی کامپایلرهای مدرن است. رویکردهای متعارف که از توالی های ثابت بهینه سازی استفاده می کنند در تطبیق با ویژگی های منحصر به فرد هر برنامه ناتوان هستند. این مقاله چارچوبی را معرفی می کند که فرآیند بهینه سازی کامپایلر را با به کارگیری یادگیری تقویتی مبتنی بر یک نمایش گرافی یکپارچه و سلسله مراتبی از برنامه بازتعریف می نماید. نوآوری اصلی ما در سه بخش است: (۱) ارائه یک نمایش گرافی یکپارچه از نمایش میانی که وابستگی های داده، جریان کنترل و روابط سلسله مراتبی توابع را دربر می گیرد؛ (۲) طراحی یک کدگذار سلسله مراتبی مبتنی بر شبکه عصبی گرافی برای استخراج بازنمایی های معنایی در سطوح مختلف انتزاع؛ و (۳) توسعه یک سیاست RL تطبیقی با استفاده از الگوریتم PPO که به صورت پویا توالی بهینه پاس های بهینه سازی را تولید می کند. ما این چارچوب را به صورت عمیق در کامپایلر ۱۷.۰ LLVM ادغام کرده ایم. ارزیابی های تجربی گسترده بر روی مجموعه داده های استاندارد و معماری های مختلف نشان می دهد AutoGraphComp به میانگین افزایش سرعت ۰.۰۰۴۱۸ نسبت به سطح بهینه سازی LLVM ۰۳ و ۰.۰۳۱۳ نسبت به چارچوب پیشرفته MLGO دست می یابد در حالی که کاهش ۱.۹۲۲.۱ در اندازه کد نهایی را نیز به ارمغان می آورد.

کلیدواژه ها:

یادگیری تقویتی ، شبکه های عصبی ، گرافی ، بهینه سازی ، کامپایلر ، کامپایل تطبیقی