返回
A Reinforcement Learning Environment for Automatic Code Optimization in the MLIR Compiler
DOI:10.1109/CGO68049.2026.11394838.png)
摘要
En 中文
代码优化是一项旨在提升代码性能的关键任务。然而,这一过程往往繁琐且复杂,凸显了自动代码优化技术的必要性。强化学习(RL)已作为一种有前景的方法,用于解决此类复杂的优化问题。在本项目中,我们介绍了MLIR RL,这是一个针对MLIR编译器的RL环境,旨在促进MLIR编译器研究并实现自动代码优化。我们提出了一个多离散的动作空间表述,其中动作空间是更简单动作子空间的笛卡尔积。我们还提出了一种新方法,称为“层级指针”(level pointers),用于减少与循环交换变换相关的动作空间大小。这使策略学习更加高效和有效。为证明MLIR RL的有效性,我们训练了一个RL代理来优化面向CPU的MLIR Linalg代码。代码来源于两个特定领域的框架:由PyTorch生成的深度学习模型,以及由LQCD编译器生成的LQCD(格点量子色动力学)代码。本工作的成果是一个研究环境,允许社区实验RL驱动的循环嵌套优化中的新思想。
Keyword:
Automatic Code Optimization
Reinforcement Learning
MLIR
Deep Learning
Machine Learning
Compiler

