排程語言：過去、現在和未來的分類法（探討自動調整和探索性編譯器的影響）

Kernekoncepter

排程語言已經從自動調整程式庫和迭代編譯的發展中演變而來，使開發人員能夠更好地控制程式碼優化，並有望在未來實現更易於使用和可移植的自動化高效能程式碼生成。

Resumé

這篇研究論文深入探討了排程語言的演變、應用和未來方向。排程語言作為一種表達編譯器優化順序的工具，在高效能運算領域中扮演著至關重要的角色。
過去：優化探索（1997-2012）
在高效能運算的早期，科學計算應用程式的複雜性和新興架構的出現，促使人們需要更精確地控制程式碼優化。這個時期的重點是自動調整程式庫和迭代編譯技術，這些技術主要應用於主流程式語言，並具有高度自動化和整合性的特點。

自動調整程式庫和程式碼產生器： ATLAS 和 FFTW 等自動調整程式庫的出現，旨在自動優化程式碼以適應不同的硬體架構。這些方法將函數分解成高效能的子程式，並根據經驗確定最佳參數，從而針對特定架構進行自動調整。
探索性編譯器和程式碼生成技術： 迭代編譯技術的發展，例如 OCEANS 編譯器專案，使開發人員能夠探索不同的程式碼轉換序列，並根據實際執行結果選擇最佳方案。然而，這些方法的搜尋成本較高，限制了它們在通用優化中的應用。
現在：專業化（2013-2023）
近年來，隨著特定領域硬體和軟體工具的普及，排程語言在特定領域中得到廣泛應用。Halide 的出現標誌著排程語言的一個重要里程碑，它提倡將排程與底層演算法分離，並引領了排程語言在圖像處理、張量代數等領域的應用。

圖像處理方法： Halide 作為一種領域特定語言，通過將演算法表達式與優化策略分離，簡化了圖像處理管道的優化過程。PolyMage 等後續工作則進一步探索了基於多面體模型的自動排程技術，以提高程式碼生成效率。
張量代數方法： 張量代數作為一種描述多維張量運算的數學框架，在深度學習等領域中得到廣泛應用。針對密集張量和稀疏張量，研究人員開發了不同的排程語言和優化技術，例如 CHiLL-I/E 和 TACO，以提高張量代數運算的效能。
未來：普及化（2024-）
展望未來，排程語言的發展趨勢是提高使用者可訪問性、擴展應用範圍以及與通用基礎設施的整合。未來的排程語言需要更高的自動化程度，並支援更通用的計算形式，例如資料佈局和資料移動。

提高抽象層次： 未來的排程語言需要提供更高級的抽象，以簡化程式碼優化過程，並降低使用門檻。
擴展到更通用的應用程式： 現有的排程語言主要針對特定領域，未來的研究需要擴展它們的應用範圍，以支援更通用的計算形式。
與通用基礎設施的整合： 未來的排程語言需要與現有的編譯器基礎設施和自動化工具整合，以提高程式碼生成效率和可移植性。

Statistik

Vigtigste indsigter udtrukket fra

Scheduling Languages: A Past, Present, and Future Taxonomy

by Mary Hall, C... kl. arxiv.org 10-29-2024

https://arxiv.org/pdf/2410.19927.pdf

Dybere Forespørgsler

排程語言如何更好地與機器學習技術結合，以實現更高效的程式碼自動優化？

排程語言可以作為機器學習技術的橋樑，將程式碼優化過程自動化，並提升效率。以下是一些結合方式：

預測最佳排程： 機器學習模型可以學習歷史程式碼、硬體平台和效能數據的關聯性，並預測給定程式碼和目標平台的最佳排程。這可以通過監督式學習，利用已知最佳排程的程式碼作為訓練數據來實現。
引導排程空間搜索： 由於排程空間通常很大，窮舉搜索所有可能排程是不切實際的。機器學習模型可以通過強化學習或貝葉斯優化等技術，學習有效的搜索策略，快速找到接近最佳的排程。
自動生成排程語言程式碼： 基於深度學習的程式碼生成技術，例如 Transformer 模型，可以學習排程語言的語法和語義，並根據程式碼和硬體平台自動生成排程語言程式碼。
動態調整排程： 機器學習模型可以根據程式碼運行時的性能數據，動態調整排程，以適應不同的輸入數據和運行環境。

為了更好地結合，排程語言需要：

標準化和模組化： 統一的語法和語義，以及模組化的設計，可以降低機器學習模型的學習成本，並提高可移植性。
豐富的性能數據收集和分析工具： 提供詳細的性能數據，例如執行時間、快取命中率等，可以幫助機器學習模型更好地理解程式碼行為和優化效果。

隨著量子計算的發展，排程語言將如何在量子計算領域發揮作用？

量子計算的獨特架構和計算模型，例如量子位元、量子閘和量子糾纏，對程式碼優化提出了新的挑戰。排程語言在量子計算領域將發揮以下作用：

量子資源管理： 量子位元是有限且昂貴的資源，排程語言可以優化量子位元的分配和使用，例如量子位元映射和量子位元重用。
量子閘排程： 量子閘的操作時間和相干時間是有限的，排程語言可以優化量子閘的執行順序，以減少量子位元的相干時間，並提高量子計算的保真度。
量子電路優化： 排程語言可以應用量子計算特有的優化技術，例如量子電路簡化、量子電路分解和量子電路等效替換，以減少量子閘的數量和深度。
量子-經典混合程式設計： 排程語言可以協調量子計算和經典計算之間的數據傳輸和同步，以充分利用量子計算的加速能力。

量子計算排程語言的設計需要考慮：

量子計算模型的抽象： 提供高層次的抽象，隱藏量子計算的複雜性，讓開發者更容易理解和使用。
量子硬體的特性： 針對不同的量子硬體平台，例如超導量子計算機、離子阱量子計算機等，設計相應的優化策略。

排程語言的發展是否會導致編譯器最終取代程式設計師在程式碼優化方面的角色？

儘管排程語言和編譯器技術不斷發展，但它們不太可能完全取代程式設計師在程式碼優化方面的角色。原因如下：

程式設計師的領域知識： 程式設計師通常對特定應用領域有深入的了解，可以根據領域知識選擇合適的算法和數據結構，這是編譯器難以替代的。
程式碼可讀性和可維護性： 過度依賴自動優化可能會生成難以理解和維護的程式碼，程式設計師需要在性能和可維護性之間取得平衡。
新硬體和新技術的出現： 隨著新硬體和新技術的不斷湧現，例如量子計算、神經形態計算等，程式設計師需要不斷學習和適應，而編譯器技術也需要時間來追趕。

更可能的發展方向是：

人機協作： 程式設計師和編譯器將更緊密地合作，程式設計師利用領域知識指導編譯器進行優化，而編譯器則自動完成繁瑣的優化細節。
更高層次的抽象： 排程語言將提供更高層次的抽象，讓程式設計師更容易表達優化意圖，而編譯器則負責將其轉換為高效的機器碼。
總之，排程語言和編譯器技術的發展將會減輕程式設計師在程式碼優化方面的負擔，但程式設計師在程式碼優化中仍然扮演著不可或缺的角色。