ВИКОРИСТАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДЛЯ АДАПТАЦІЇ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ ДО РІЗНИХ ОБЧИСЛЮВАЛЬНИХ ПЛАТФОРМ

Автор(и)

  • Михайло БЕРДНИК Національний технічний університет «Дніпровська політехніка» https://orcid.org/0000-0003-4894-8995
  • Ігор СТАРОДУБСЬКИЙ Національний технічний університет «Дніпровська політехніка»

DOI:

https://doi.org/10.32782/IT/2024-4-3

Ключові слова:

адаптивні компілятори, машинне навчання, переносимість програмного забезпечення, обчислювальні платформи, генерація коду.

Анотація

Актуальні виклики у сфері розробки програм, зумовлені різноманітністю апаратних архітектур, та запропоновані шляхи їх подолання за допомогою адаптивних компіляторів. В роботі розглядається створення адаптивних компіляторів, які використовують методи машинного навчання для автоматичної оптимізації та адаптації програмного забезпечення до різних обчислювальних платформ. В роботі також наводяться приклади застосування адаптивних компіляторів у мобільних та хмарних обчисленнях, де вони демонструють суттєве підвищення продуктивності та ефективності програмного забезпечення. Метою роботи є створення адаптивних компіляторів, використовуючи інтеграцію методів машинного навчання на всіх етапах компіляції – від аналізу вхідного коду до генерації машинного коду. Наукова новизна полягає в інтеграції методів машинного навчання в процес компіляції, що дозволяє адаптивним компіляторам автоматично налаштовувати оптимізацію коду для різних обчислювальних платформ. Це рішення забезпечує динамічне налаштування компіляції, підвищує продуктивність програм та знижує потребу у ручному налаштуванні для нових архітектур. Висновки. Проведений аналіз підкреслює ефективність адаптивних компіляторів, які завдяки машинному навчанню забезпечують автоматичну оптимізацію коду, підвищуючи продуктивність та ефективність програмного забезпечення на різних платформах. Запропонований підхід спрощує адаптацію програм, знижує витрати на розробку та дозволяє зосередитись на функціональності продуктів.

Посилання

Z. Fisches. Neural Self-Supervised Models of Code. Masters thesis, ETH Zurich, 2020.

Saxena S. Machine Learning for Compilers and Architecture. 2021.

Google Research. MLGO: A Machine Learning Guided Compiler Optimizations Framework. 2021.

A. H. Ashouri, W. Killian, J. Cavazos, G. Palermo, and C. Silvano. A Survey on Compiler Autotuning using Machine Learning. CSUR, 51(5), 2018.

##submission.downloads##

Опубліковано

2025-02-17