Automated High-Level Code Optimization for Warehouse Performance

doi:10.1109/MM.2025.3590033

Automated High-Level Code Optimization for Warehouse Performance

0

PRE

AI

Parthasarathy Ranganathan

DOI：10.1109/MM.2025.3590033

原文链接

原文求助

摘要

En 中文

在摩尔定律的黄昏时期，优化程序性能已成为计算机体系结构研究的核心焦点。然而，由于理解代码语义的复杂性，高级源代码优化仍然具有挑战性。我们的方法将机器学习技术与计算机体系结构中的既定见解和工具相结合，以应对高级优化中的固有挑战。在此工作中，我们介绍了一个利用大型语言模型（LLMs）进行高级程序优化的框架。我们整理了一个竞争性C++提交的语料库，每个提交都附有广泛的单元测试，以捕捉提升性能的模式。为缓解性能测量的变异性，我们开发了一个基于gem5全系统模拟器的评估框架。结果表明，平均加速比为6.86，优于平均人类优化的3.66×。我们还概述了该领域的后续工作，描述了LLM驱动的优化如何使自主地在谷歌数据中心数十亿行代码中应用提升性能的修改。

Keyword:

Optimization

Codes

Training

Programming

Adaptation models

Semantics

Benchmark testing

Synthetic data

Performance evaluation

C++ languages

Moore's Law

Warehousing

Performance evaluation

Automated High-Level Code Optimization for Warehouse Performance

摘要

期刊

机构

引用论文