bt365手机平台-下载首页

  • MIT的研究人员建立了一个新的标杆具备的工具,可以准确地预测它需要多长时间来给出一个计算机芯片执行的代码,它可以帮助程序员调整代码有更好的表现。

    MIT的研究人员建立了一个新的标杆具备的工具,可以准确地预测它需要多长时间来给出一个计算机芯片执行的代码,它可以帮助程序员调整代码有更好的表现。

    全屏

预测工具如何快速的代码将在一个芯片上运行

MIT的研究人员建立了一个新的标杆具备的工具,可以准确地预测它需要多长时间来给出一个计算机芯片执行的代码,它可以帮助程序员调整代码有更好的表现。

机器学习系统应使开发人员能够提高增加计算效率在一定范围的应用。


记者联系

艾比abaz要么ius
电子邮件: abbya@mit.edu
电话:617-253-2709
bt365手机app新闻办公室

bt365手机app的研究人员发明了一种机器学习工具预测如何快,电脑芯片将各种应用程序执行代码。  

让代码尽可能快,开发和编译器的运行 - 这翻译编程语言程序转换为机器可读的代码 - 使用性能模型通常是通过对芯片由于架构的仿真代码的运行。 

在使用编译器优化代码的信息自动,和开发人员使用它来解决在将运行它的微处理器的性能瓶颈。但对于机器代码性能的模型是由一小群专家相对的手写,并且没有正确验证。因此,模拟的性能测试与实际往往寿命结果偏离。 

在一系列的会议论文中,研究人员描述了新的机器学习自动ESTA这条管道的过程,使其更容易,更快捷,更准确。在  在在六月机器学习的国际会议上提出,研究人员提出ithemal,神经网络模型中的“基本块”的形式标记数据串 - 的计算指令的关键片断 - 自动预测需要多长时间GIVEN以前看不到的芯片内执行基本块。推荐ithemal结果准确地执行远远超过传统的手动调整模式。 

然后,在IEEE国际研讨会上月工作负载特性,研究人员 呈现 从各种领域,包括机器学习,编译器,密码和图形的基本块的基准套件可用于这验证高性能车型。他们超过30万汇集异形块到名为BHive一个开源的数据集。在他们的评估,预测ithemal快速英特尔芯片的代码将如何运行速度比英特尔本身建立了一个模型,甚至更好的性能。 

最终,开发人员和编译器可以使用该工具来生成代码的运行速度更快,更能够有效地对不断增长的数量的多样化和“黑匣子”的芯片设计。 “现代计算机处理器是不透明的,可怕地复杂,很难理解。这也是令人难以置信的挑战编写计算机代码执行尽可能快地为这些处理器,“合着者说,在所有这三个文件迈克尔carbin,电气工程和计算机科学(EECS),并在研究员系助理教授计算机科学与人工智能实验室(CSAIL)。 “这个工具是朝着改善的效率完全模拟这些芯片的性能向前迈进了一大步。”

最近,在一个  在12月的会议上提出neurips,团队提出了一个新的技术来自动生成编译器优化。具体地,他们的算法自动生成,Vemal调用,其将某些载体成代码,其可以是用于并行计算。在LLVM编译器使用Vemal性能优于手工制作矢量算法 - 在同行业中流行使用的编译器。

从数据中学习

手工设计性能模型可以是“黑色艺术”,说carbin。英特尔提供的3000多页,描述其芯片的架构的文档。目前存在,但只有一小群专家将建设高性能车型WHO模仿的那些架构代码的执行。 

“英特尔的文件既不完整也不是没有错误的,而英特尔将省略某些事情,因为它是专有的,”所有的三篇论文门迪斯charith,在EECS和CSAIL的研究生合着者说。 “但是,当你使用数据,你不需要知道文档。如果有什么东西你可以了解它直接将数据隐藏“。

这样做,平均数的研究人员主频微处理器的周期来计算基本采用指定的指令块 - 基本上,开机的顺序,执行和关闭 - 无需人工干预。自动化的过程使数百块十万或上百万的快速分析。 

特定领域的体系结构

在训练中,模型ithemal自动分析数以百万计的基本异形块学习的芯片架构究竟是如何执行不同的计算。重要的是,注意到ithemal文本作为输入原料和不需要手动添加功能,以输入数据。在测试中,ithemal可以与以前看不见的嵌段和基本定的芯片被供给,并且将生成表示该芯片将如何快速执行该代码的单个数字。 

研究人员发现,切ithemal错误率精度 - 比传统的手工制作模型了50% - 实际世界的速度与速度之间的预测意义差异。此外,他们的下一个论文中,他们发现,ithemal的错误率是10%,而英特尔模型的性能预测误差率在各种跨多个不同的领域基本块的20%。

现在,该工具使得它更容易快速学习的芯片架构的任何新的性能速度,门迪斯说。例如,特定领域的结构,如谷歌的新张量处理单元,用于神经网络具体来说,目前正在建造,但不甚了解。 “如果你想培养一些新的架构模型,你只需收集更多的从结构数据,运行它通过我们的探查,使用ithemal那对列车信息,现在你有一个模型,该模型可预测的性能,”门迪斯说。

接下来,研究人员正在研究的方法,使解释的模型。很多机器学习的是一个黑盒子,所以它不是真的明白为什么一个特殊的模型作出的预测ITS。 “我们的模式是说这需要一个处理器,比如10个周期来执行基本块。现在,我们正在努力找出原因,说:“carbin。 “这是粒度这将是惊人的工具,这些类型的细等级上。”

他们还使用ithemal希望进一步增强Vemal的性能,并自动获得更好的性能。


主题: 研究, 计算机科学与技术, 算法, 机器学习, 数据, 计算机科学和人工智能实验室(CSAIL), Electrical Engineering & Computer Science (eecs), 工程学院

回到顶部