.png){kind=icon}
返回
Eliminating Redundancy: Ultra-compact Code Generation for Programmable Dataflow Accelerators
.png){kind=icon}
PRE
AI
DOI：10.1109/CGO68049.2026.11395195.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现代AI加速器采用数据流架构以实现高峰值吞吐量（TOPS）和能效（TOPS/W）。这些设计具有宽数据通路和层次化暂存内存，为密集计算阵列提供高带宽数据访问和广泛的操作数复用。与计算-内存子系统相辅相成的是轻量级控制路径，用于协调数据移动、程序加载和寄存器初始化。为降低能耗和面积开销，传统处理器特性（如指令缓存、执行栈和分支预测）被有意省略。尽管这种精简设计最大化了效率，但将关键责任转移给了编译器：需将复杂内核转换为高度紧凑的指令流，且必须完全适配于加速器可编程单元的有限指令缓冲区（IBUFFs）中。在本文中，我们引入两种新型编译器转换技术——循环吸收（Loop Absorption, LA）和循环索引集合并（Loop Index Set Merging, LISM）以实现超紧凑代码生成。循环吸收将同构的兄弟操作合并到单个循环体中，而LISM将具有相似循环体的相邻循环统一为统一的迭代空间。这些互补技术共同消除了冗余代码模式，并生成紧凑的层次化循环嵌套。我们在IBM Spyre编译器中实现了LA和LISM，并在包括ResNet-50、Inception-v3、SSD和BERT-Large在内的多样化深度学习工作负载上进行了评估。在所有模型中，我们的组合方法相较于基线实现了1.48倍的几何平均压缩率，使原本超出IBUFF容量的层能够成功编译。
Keyword:
Loop Absorption
Loop Index Set Merging
Dataflow Accelerators
Compiler Optimization
Code Compression