چکیده مقاله
یکی از چالش های دیرینه در مهندسی کامپایلر، انتخاب و تنظیم بهینه سازی های مناسب برای تولید کدی با بالاترین عملکرد در سخت افزارهای مختلف است روش های اکتشافی و مبتنی بر قواعد که به صورت سنتی در کامپایلرها به کار می روند، اغلب ناکارآمد هستند و نمی توانند فضای گسترده ی بهینه سازی ها را به صورت کامل بررسی کنند با ظهور و پیشرفت هوش مصنوعی AI و به ویژه یادگیری ماشین ML ، فرصتی نو برای غلبه بر این محدودیت ها فراهم شده است هدف از این مقاله، بررسی و تحلیل کاربردهای نوین ML در بهینه سازی ساختار کامپایلر است ما به طور خاص بر حوزه هایی مانند تعیین ترتیب فازهای بهینه سازی، پیش بینی ضرایب بهینه سازی مانند باز کردن حلقه ها و تخصیص منابع نظیر تخصیص ثبات تمرکز می کنیم این مقاله، با مرور تحقیقات اخیر ۲۰۲۰ به بعد ، نشان می دهد که چگونه مدل های یادگیری عمیق، به ویژه شبکه های عصبی گراف GNNs و یادگیری تقویتی RL ، توانایی کامپایلرها را در تصمیم گیری های حساس به بافت Context Aware بهبود بخشیده اند نتایج بررسی های ما حاکی از آن است که رویکردهای مبتنی بر ML می توانند به طور خودکار استراتژی های بهینه سازی سازگار با معماری های هدف را یاد بگیرند، که این امر منجر به تولید کدهای اجرایی سریع تر و کارآمدتر در مقایسه با روش های اکتشافی ثابت می شود در پایان، چالش های پیش رو، از جمله قابلیت تعمیم مدل ها و نیاز به داده های آموزشی با کیفیت، مورد بحث قرار می گیرد
کلیدواژهها
نویسندگان
بهار جاویدان
دانشجوی کارشناسی مهندسی کامپیوتر،دانشگاه آزاد اسلامی واحد علوم و تحقیقات
محمدمهدی نجفی
دانشجوی کارشناسی مهندسی کامپیوتر،دانشگاه آزاد اسلامی واحد علوم و تحقیقات
زهره امینی
گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد علوم و تحقیقات
شیوه ارجاع
�اویدان، بهار و نجفی، محمدمهدی و امینی، زهره،1405،بهینه سازی کامپایلر مبتنی بر یادگیری ماشین: رویکردی نوین برای بهبود عملکرد کد،بیست و نهمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات،بابل
ارائهشده در
مجموعه مقالات بیست و نهمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات27 فروردین 1405 · بابل