返回
Accelerating Sparse Algebra with Program Synthesis
DOI:10.1145/3771775.3786281.png)
摘要
En 中文
线性代数库和张量领域专用语言能够为现代科学和机器学习工作负载提供高性能。尽管近期已有工作通过模式匹配和程序提升自动将遗留软件翻译为使用这些库/DSL,但这在很大程度上仅限于稠密线性代数。本文解决了更困难的遗留稀疏线性代数代码移植到库和DSL的问题。它利用大语言模型预测解决方案的草图,然后使用基于类型的程序合成搜索可能的代码空间以针对参数绑定。我们实现了一个名为SLEB(带绑定的稀疏提升器)的工具,并在大量基准测试和真实数据集上对其进行评估,将其与两种最先进的编译器技术LiLAC和SpEQ以及GPT 4.o进行比较。总体而言,我们提升了94%的程序,而LiLAC、SpEQ和GPT 4.o分别提升了11%、17%和48%。这分别在CPU和GPU平台上实现了2.6倍和7.2倍的平均加速。
Keyword:
Sparse
Program Lifting
Synthesis
TACO
Tensor Algebra
期刊
机构
引用论文
WACO: Learning Workload-Aware Co-optimization of the Format and Schedule of a Sparse Tensor ProgramWACO:学习工作负载感知的稀疏张量程序格式和调度协同优化
The NAS Parallel Benchmarks for evaluating C plus plus parallel programming frameworks on shared-memory architectures用于评估共享内存架构上的C plus plus并行编程框架的NAS并行基准

