.png){kind=icon}
返回
Control flow graph based code optimization using graph neural networks
.png){kind=icon}
OA
AI
DOI：10.3389/frobt.2026.1731740.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
选择一组良好的优化标志需要大量的努力和专家输入。虽然大多数先前的研究考虑使用静态、空间或动态特征，但一些最新研究直接将深度神经网络应用于源代码。我们将静态特征、空间特征和深度神经网络相结合，通过将源代码表示为图并训练图神经网络来自动寻找合适的优化标志。我们使用256种优化标志组合在47个基准测试上创建了一个包含12000个图的数据集。我们使用这些基准测试训练和测试了我们的模型，结果显示，与所有优化标志都启用的情况相比，我们可以实现最大48.6%的加速。
Keyword:
graph neural networks
code optimization
GCC
compilers
FLAG
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
F
IF:
3
论文数:
522
被引数:
6.9K
机构
引用论文
PolyBench/Python: benchmarking Python environments with polyhedral optimizationsPolyBench/Python：使用多面体优化对Python环境进行基准测试OAAI
.png){kind=icon}
OAAI分享收藏分享收藏A fast and accurate method for determining a lower bound on execution time一种快速且准确的方法，用于确定执行时间的下界
PREAI
分享收藏
分享收藏
查看更多内容