工具预测了代码在芯片上运行的速度:机器学习系统应该能让开发人员提高一系列应用程序的计算效率。

 

麻省理工学院的研究人员发明了一种机器学习工具，它可以预测计算机芯片执行来自各种应用程序的代码的速度。天富平台的骗局

 

为了让代码尽可能快地运行，开发人员和编译器——将编程语言转换为机器可读代码的程序——通常使用性能模型，通过模拟给定的芯片架构来运行代码。

 

编译器使用这些信息来自动优化代码，开发人员使用这些信息来解决将运行这些信息的微处理器上的性能瓶颈。但是机器码的性能模型是由相对较少的专家手写的，并且没有经过适当的验证。因此，模拟的性能度量常常与真实的结果不一致。

 

在一系列的会议论文中，研究人员描述了一种新的机器学习方法，使这个过程自动化，使之更容易、更快、更准确。在一篇文章(PDF)在国际会议6月机器学习,研究人员提出了Ithemal,神经网络模型的形式,火车带安全标签的数据时“基本块”——基本的计算指令片段自动预测给定芯片需要多长时间执行先前看不见的基本块。结果表明，Ithemal比传统的手动调优模型的性能要准确得多。

 

然后，在11月的IEEE工作负载表征国际研讨会上，研究人员提出了一套基准的基本块，这些基本块来自各种领域，包括机器学习、编译器、密码学和图形，可以用来验证性能模型。他们将超过30万个轮廓块汇集到一个名为BHive的开源数据集中。在他们的评估中，Ithemal预测英特尔芯片运行代码的速度甚至比英特尔自己建立的性能模型还要快。

 

最终，开发人员和编译器可以使用该工具生成在不断增长的各种“黑箱”芯片设计上运行得更快、更高效的代码。“现代计算机处理器不透明，极其复杂，难以理解。为这些处理器编写执行速度尽可能快的计算机代码也是一项难以置信的挑战，”合著者Michael Carbin说，他是电气工程和计算机科学系的助理教授，也是计算机科学和人工智能实验室的研究员。“为了提高效率，该工具朝着完全模拟这些芯片的性能迈出了一大步。”

 

 

 

最近，在12月的NeurIPS会议上发表的一篇论文(PDF)中，该团队提出了一种自动生成编译器优化的新技术。具体来说，它们会自动生成一个称为Vemal的算法，该算法将某些代码转换为可用于并行计算的向量。Vemal优于LLVM编译器中使用的手工向量化算法——LLVM编译器是行业中常用的编译器。天富平台的骗局

 

学习数据

 

卡宾说，手工设计性能模型可能是“一种魔法”。英特尔提供了超过3000页的详细文档来描述其芯片的架构。但是目前只有一小部分专家会构建性能模型来模拟在这些架构上执行代码。

 

“英特尔的文档不是没有错误的，也不是完整的，英特尔会省略某些东西，因为它是专有的，”Mendis说。然而，当你使用数据时，你不需要知道文档。如果隐藏了什么，你可以直接从数据中了解。”

 

为了做到这一点，研究人员记录了一个给定微处理器在没有人为干预的情况下计算基本块指令——基本上就是启动、执行和关闭的顺序——所需的平均周期数。该过程的自动化使快速分析数十万或数百万块成为可能。

 

 

特定领域的架构

 

在训练中，模拟模型分析数百万个自动轮廓的基本块，以了解不同的芯片结构将如何执行计算。重要的是，Ithemal将原始文本作为输入，并且不需要手动向输入数据添加特性。在测试中，Ithemal可以提供以前看不见的基本块和一个给定的芯片，并将产生一个单一的数字，表明芯片将执行该代码的速度。

 

研究人员发现，与传统手工制作的模型相比，人工智能模型的准确率(即预测速度与现实世界速度之间的差异)降低了50%。此外，在他们的下一篇论文中，