返回
Performance-Aligned LLMs for Generating Fast HPC Code
DOI:10.1109/TPDS.2026.3675550.png)
摘要
En 中文
优化科学软件是一项艰巨的任务,因为代码库通常规模庞大且复杂,性能可能取决于算法、实现方式、硬件等多种因素。性能不佳的原因可能源自不同来源,且难以诊断。近年来,大量研究利用大型语言模型(LLMs)辅助软件开发任务。然而,这些工具被训练用于建模代码的文本分布,并非专门设计用于理解代码的性能方面。在本工作中,我们提出了一种基于强化学习的方法论,使代码LLMs的输出与性能对齐。这使我们能够在现有LLMs的代码建模能力基础上进行扩展,生成性能更优的代码。我们证明了,我们的微调模型在一系列基准任务中,将生成的串行代码的预期加速比从0.9提高到1.6,将OpenMP并行代码的预期加速比从1.9提高到4.5。
Keyword:
Large language models (LLMs)
code generation
performance optimization
reinforcement learning
期刊
IF:
6
论文数:
5.2K
被引数:
1.1W
机构
引用论文
LM4HPC: Towards Effective Language Model Application in High-Performance ComputingLM4HPC:面向高性能计算中语言模型的有效应用

