最近，麻省理工學(xué)院的研究人員發(fā)明了一種機(jī)器學(xué)習(xí)工具，該工具可以預(yù)測計(jì)算機(jī)芯片執(zhí)行來自各種應(yīng)用程序的代碼的運(yùn)行速度。

為了使代碼盡可能快地運(yùn)行，開發(fā)人員和編譯器將編程語言轉(zhuǎn)換為機(jī)器可讀代碼的程序，通常使用通過模擬給定芯片體系結(jié)構(gòu)運(yùn)行代碼的性能模型。

編譯器使用該信息來自動(dòng)優(yōu)化代碼，而開發(fā)人員使用該信息來解決將運(yùn)行該代碼的微處理器的性能瓶頸。但是，機(jī)器代碼的性能模型是由相對較少的專家小組手寫的，并且未經(jīng)適當(dāng)驗(yàn)證。結(jié)果，模擬的性能測量通常會(huì)偏離實(shí)際結(jié)果。

研究人員開發(fā)了一種新穎的機(jī)器學(xué)習(xí)管道，該管道可自動(dòng)執(zhí)行此過程，從而使其變得更輕松、更快、更準(zhǔn)確。這項(xiàng)研究成果在國際機(jī)器學(xué)習(xí)大會(huì)上發(fā)表。

研究人員通過一種特殊的神經(jīng)網(wǎng)絡(luò)模型，它以“基本塊”（計(jì)算指令的基本摘要）形式訓(xùn)練標(biāo)記的數(shù)據(jù)，以自動(dòng)預(yù)測其持續(xù)時(shí)間使用給定的芯片執(zhí)行以前看不見的基本塊。結(jié)果表明，這種神經(jīng)網(wǎng)絡(luò)模型的性能要比傳統(tǒng)的手動(dòng)調(diào)整模型精確得多。

這個(gè)基準(zhǔn)測試套件涉及多個(gè)領(lǐng)域，包括機(jī)器學(xué)習(xí)、編譯器、密碼學(xué)和可用于驗(yàn)證性能模型的圖形。研究人員將超過30萬已分析的塊合并到一個(gè)開源數(shù)據(jù)集中。在評估過程中，這種神經(jīng)網(wǎng)絡(luò)模型預(yù)測了英特爾芯片運(yùn)行代碼的速度要比英特爾自身構(gòu)建的性能模型還要好。

最終，開發(fā)人員和編譯器可以使用該工具來生成代碼，這些代碼可以在越來越多的多樣化“黑匣子”芯片設(shè)計(jì)上更快、更高效地運(yùn)行?，F(xiàn)代計(jì)算機(jī)處理器不透明，極其復(fù)雜且難以理解。編寫對這些處理器執(zhí)行得盡可能快的計(jì)算機(jī)代碼也極具挑戰(zhàn)性，該工具是朝著對這些芯片的性能進(jìn)行完全建模以提高效率的重要一步。

最近，該團(tuán)隊(duì)又提出了一種自動(dòng)生成編譯器優(yōu)化的新技術(shù)。具體來說，它們會(huì)自動(dòng)生成一種算法，該算法將某些代碼轉(zhuǎn)換為向量，可用于并行計(jì)算。 這種算法優(yōu)于LLVM編譯器中使用的手工矢量化算法。

LLVM是業(yè)界常用的編譯器，一個(gè)自由軟件項(xiàng)目，它是一種編譯器基礎(chǔ)設(shè)施，以C++寫成，包含一系列模塊化的編譯器組件和工具鏈，用來開發(fā)編譯器前端和后端。它是為了任意一種編程語言而寫成的程序，利用虛擬技術(shù)創(chuàng)造出編譯時(shí)期、鏈接時(shí)期、運(yùn)行時(shí)期以及“閑置時(shí)期”的最優(yōu)化。它最早以C/C++為實(shí)現(xiàn)對象，而當(dāng)前它已支持許多種程序語言。

研究人員說，手工設(shè)計(jì)性能模型可能是“一門妖術(shù)”。英特爾提供了超過3000頁的詳盡文檔，描述了其芯片的體系結(jié)構(gòu)。但是目前只有一小部分專家將構(gòu)建性能模型，以模擬這些架構(gòu)上代碼的執(zhí)行。

研究人員指出：“英特爾的文檔既沒有錯(cuò)誤，也沒有完整，并且英特爾會(huì)省略某些事情，因?yàn)樗菍Ｓ械??！?“但是，當(dāng)使用數(shù)據(jù)時(shí)，不需要了解文檔。如果有隱藏的內(nèi)容，可以直接從數(shù)據(jù)中學(xué)習(xí)?！?/p>

為此，研究人員記錄了給定微處理器用于計(jì)算基本塊指令的平均周期數(shù)，基本上是啟動(dòng)，執(zhí)行和關(guān)閉的順序，而無需人工干預(yù)。使過程自動(dòng)化可以快速分析成千上萬個(gè)塊。

在培訓(xùn)學(xué)習(xí)中，這種神經(jīng)網(wǎng)絡(luò)模型分析了數(shù)百萬個(gè)自動(dòng)剖析的基本塊，以準(zhǔn)確了解不同的芯片體系結(jié)構(gòu)將如何執(zhí)行計(jì)算。重要的是，該模型將原始文本作為輸入，不需要手動(dòng)向輸入數(shù)據(jù)添加功能。在測試中，可以將以前看不見的基本塊和給定的芯片提供給模型，模型將生成一個(gè)數(shù)字，指示芯片將以多快的速度執(zhí)行該代碼。

研究人員發(fā)現(xiàn)，該模型的準(zhǔn)確性降低了錯(cuò)誤率，這意味著預(yù)測速度與實(shí)際速度之間的差異比傳統(tǒng)的手工模型降低了50％。此外，他們表明該模型的錯(cuò)誤率為10％，而Intel性能預(yù)測模型在多個(gè)不同領(lǐng)域的各種基本塊上的錯(cuò)誤率為20％。

該工具現(xiàn)在使人們可以更輕松地快速了解任何新芯片架構(gòu)的性能速度。例如，特定領(lǐng)域的體系結(jié)構(gòu)，例如Google專門用于神經(jīng)網(wǎng)絡(luò)的新型Tensor處理單元，目前正在構(gòu)建中，但并未得到廣泛理解。 如果要在某種新架構(gòu)上訓(xùn)練模型，只需從該架構(gòu)收集更多數(shù)據(jù)，通過探查器運(yùn)行它，使用該信息來訓(xùn)練模型，從而就有了一個(gè)預(yù)測性能的模型。

接下來，研究人員將通過這樣的神經(jīng)網(wǎng)絡(luò)模型研究使人工智能模型可解釋的方法。人工智能機(jī)器學(xué)習(xí)在很大程度上是一個(gè)黑匣子，因此尚不清楚為什么特定的模型會(huì)做出某種預(yù)測。這樣的模型指示一個(gè)處理器要執(zhí)行一個(gè)基本塊需要10個(gè)周期，從而有可能設(shè)法找出其原因。