MLComp:Pareto最適コンパイラ最適化シーケンスの機械学習ベース性能評価と適応選択のための方法論【JST・京大機械翻訳】

Colucci Alessio; Juhasz David; Mosbeck Martin; Marchisio Alberto; Rehman Semeen; Kreutzer Manfred; Nadbath Guenther; Jantsch Axel; Shafique Muhammad

プレプリント

J-GLOBAL ID：202202219215145006 整理番号：21P0067042

MLComp:Pareto最適コンパイラ最適化シーケンスの機械学習ベース性能評価と適応選択のための方法論【JST・京大機械翻訳】

MLComp: A Methodology for Machine Learning-based Performance Estimation and Adaptive Selection of Pareto-Optimal Compiler Optimization Sequences

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (9件)： , , , , , , , ,
資料名：
発行年： 2020年12月09日プレプリントサーバーでの情報更新日： 2020年12月11日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

組込みシステムは,Cyber-Physicalシステムおよびモノのインターネットの進化によって,様々な消費者および産業応用において増殖した。これらのシステムは厳しい制約を受け,組込みソフトウェアは複数の目的,即ち,エネルギー消費,実行時間,およびコードサイズを同時に最適化しなければならない。コンパイラは,これらの計量を改善するために最適化相を提供する。しかし,それらの適切な選択と順序付けは複数の因子に依存し,典型的には専門家の知識を必要とする。最先端の最適化者は,事例によって異なるプラットフォームと応用ケースを容易にし,それらは,動的プロファイリングを通して異なるターゲットに対する時間消費適応を必要とすると同時に,1つの計量を時間的に最適化することによって制限される。これらの問題に取り組むために,新しいMLComp方法論を提案し,その中で,最適化フェーズを強化学習ベースポリシーによって配列決定した。政策の訓練は,迅速な性能推定のための機械学習ベースの解析モデルによってサポートされ,それによって動的プロファイリングのために費やされた時間を大幅に削減する。このフレームワークにおいて,異なる機械学習モデルを自動的にテストして,最良適合のものを選択した。訓練された性能推定子モデルを,準最適位相シーケンスを作成するための強化学習ベースの多目的政策を効率的に考案するために活用した。最先端の推定モデルと比較して,著者らの性能推定器モデルは,多重プラットフォームと応用領域にわたって50x高速訓練時間まで,より低い相対誤差(<2%)を達成した。フェーズ選択ポリシーは,与えられたコードの実行時間とエネルギー消費を,それぞれ,12%と6%まで改善する。性能推定器と位相選択ポリシーは,任意のターゲットプラットフォームと応用領域に対して効率的に訓練できる。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

言語プロセッサ

, , , , , ,

前のページに戻る