Automatic Tuning of Compilers Using Machine Learning

این کتاب به بررسی رویکردهای موفقیت آمیز برای مقابله و کاهش مشکلات شناخته شده بهینه سازی کامپایلر با استفاده از اکتشاف فضای طراحی و تکنیک های یادگیری ماشین می پردازد. این نشان می‌دهد که همه پاس‌های بهینه‌سازی برای استفاده در یک دنباله بهینه‌سازی مناسب نیستند و در واقع، بسیاری از پاس‌های موجود تمایل به مقابله با یکدیگر دارند. پس از ارائه یک بررسی جامع از روش‌های موجود در حال حاضر، از جمله بسیاری از مقایسه‌های تجربی با چارچوب‌های کامپایلر پیشرفته، این کتاب رویکردهای جدیدی را برای حل مسئله انتخاب بهترین بهینه‌سازی‌های کامپایلر و مسئله ترتیب فاز توضیح می‌دهد و به خوانندگان اجازه می‌دهد تا بر پیچیدگی عظیم انتخاب ترتیب مناسب بهینه سازی برای هر بخش کد در یک برنامه غلبه کنید. به این ترتیب، این کتاب منبع ارزشمندی برای خوانندگان گسترده ای از جمله محققان علاقه مند به معماری کامپیوتر، اتوماسیون طراحی الکترونیکی و یادگیری ماشین، و همچنین معماران کامپیوتر و توسعه دهندگان کامپایلر ارائه می دهد.

This book explores break-through approaches to tackling and mitigating the well-known problems of compiler optimization using design space exploration and machine learning techniques. It demonstrates that not all the optimization passes are suitable for use within an optimization sequence and that, in fact, many of the available passes tend to counteract one another. After providing a comprehensive survey of currently available methodologies, including many experimental comparisons with state-of-the-art compiler frameworks, the book describes new approaches to solving the problem of selecting the best compiler optimizations and the phase-ordering problem, allowing readers to overcome the enormous complexity of choosing the right order of optimizations for each code segment in an application. As such, the book offers a valuable resource for a broad readership, including researchers interested in Computer Architecture, Electronic Design Automation and Machine Learning, as well as computer architects and compiler developers.