核心概念
MLIR コンパイラの自動コード最適化を可能にする強化学習環境を提案し、その有効性を実証する。
摘要
本研究では、MLIR コンパイラの自動コード最適化を目的とした強化学習環境を提案している。具体的には以下の取り組みを行っている:
MLIR コンパイラ向けの初めての強化学習環境を提案し、MLIR コンパイラ研究の促進と自動コード最適化の実現を目指す。
変換アクションの行動空間を、より小さな部分空間のカルテシアン積として表現する新しい定式化を導入する。これにより、より効率的で効果的な最適化が可能となる。
提案した環境を用いて強化学習エージェントを訓練し、MLIR 演算の効果的な最適化を実現する。実験結果から、提案手法はTensorFlowと同等の性能を達成し、一部の演算では優れた結果を示すことを確認した。
統計資料
MLIR ベースラインに対する最大スピードアップ:
行列乗算: 最大9500倍
畳み込み: 最大9500倍
プーリング: 最大6倍
加算: 最大1.15倍
ReLU: 最大3.04倍
引述
"MLIR (Multi-Level Intermediate Representation) は、高レベルのコードを最適化するための汎用的なコンパイラフレームワークです。"
"自動コード最適化は、手動チューニングの負担を軽減し、ソフトウェアパフォーマンスの向上を実現します。"
"強化学習は、複雑な最適化問題に取り組むための有望なアプローチとして注目されています。"