超強通用編譯器優化工具準確率是傳統方法的5倍

朱建

新代碼在自家芯片上運行狀況如何？英特爾自己都沒有別人家的新工具清楚。這就是MIT耗時一年提出的研究成果，名為Ithemal，核心功能也非常簡單：能夠分析數以百萬計自動描述的基本塊（計算指令的基本片段），來確切了解不同的芯片機構如何執行計算，效果也非常驚艷。

MIT News透露，傳統基于人工設計的模型，預測代碼在芯片上的運行速度，與實際運行速度之間的錯誤率高達50 %。就算是芯片供應商，比如英特爾預測代碼在自己芯片上的運行速度，錯誤率也達到20 %。而Ithemal，錯誤率僅為10 %，性能是傳統方法的5倍，英特爾的2倍。

整個過程都是自動化的，不需要人為干預，就能夠快速分析數十萬或數百萬個基本塊，并且通用它可以快速學習代碼在任何新的芯片架構的性能速度，無論是機器學習，還是加密技術上鏈或者編譯器優化等，都能分析。

研究人員分享了這樣的一個使用場景：

如果想在一個新的芯片架構上訓練一個模型，比如谷歌的TPU，只需要從這個架構中收集數據，經過分析器運行后，去訓練Ithemal，可得到一個可以預測其性能的模型。”對于充分發揮芯片性能，讓代碼運行更有效率，這是具有突破性意義的一項進展。

基于神經網絡，避開“盲人摸象”

通常情況下，為了讓代碼能夠在芯片上高效運行，開發者會結合編譯器設計一個性能模型，模擬代碼在芯片架構上的運行情況。開發者會根據這些信息進一步優化代碼，進一步提高代碼運行效率，突破芯片的性能瓶頸。這種思路雖然沒什么問題，麻煩出在如何設計性能模型上，傳統的方法是一小部分專家來人工設計。

面對錯綜復雜的芯片架構，這多少有些“盲人摸象”的感覺，就英特爾一家，描述芯片架構的文檔，多達3 000頁。而且這些內容也不一定完整，基于商業競爭以及技術保密上的考慮，英特爾也會去刻意忽略一些內容，這無疑又加大了困難———盲人摸到的象，但可能缺胳膊少腿。更別提現代芯片架構設計了，不僅不透明，而且及其復雜，難以理解。想要得到一個性能模型，很難；想要得到一個更精確的性能模型，更難。

MIT的方法中，一開始就繞開了“盲人摸象”的困境，而是建立神經網路，從“數據”中學習。

這個數據，就是芯片執行“基本塊”所需的平均周期數，不需要手動添加任何特征。就算輸入之前沒有“看到”過的基本塊和芯片架構，訓練好的模型也能給出數字，更準確地預測芯片執行代碼的速度。

正所謂冰凍三尺，并非一日之寒，MIT這款強大工具的誕生也是Step by Step。

第一步：用“基本塊”訓練標記數據

首先，研究人員提出了一種神經網絡工具———以“基本塊”的形式訓練標記數據。這樣做的目的可以自動預測給定芯片中，執行基本塊所需要的時間。結果表明，比起傳統的手工調整模型，精確度上要高得多。

這個工具叫做Ithemal，研究還發表在了ICML 2019上。Ithemal的全名叫做“Instruction THroughput Estimator using MAchine Learning”。

受深度神經網絡的靈感，它采用了一種新型的數據驅動方法來預測一條指令塊的吞吐量。Ithemal將吞吐量估計問題建模為一個回歸任務，并利用DNN使用大量標記數據集將序列映射為實際值的吞吐量，以此來學習如何預測。更具體點來說，Ithemal使用分層多尺度RNN，讓每條指令生成一個獨立的嵌入，然后依次結合指令嵌入來預測吞吐量。

在所有基準測試中，平均絕對百分誤差（MAPE）降低了50 %以上，同時仍然提供了較快的估計速度。在生成高質量的預測時，Ithemal只需要訓練數據和ISA的規范，包括指令規范及其顯式和隱式操作數。與分析模型不同，Ithemal不需要任何明確的規范或建模，只需要學習有助于提高吞吐量的任何顯著的微體系結構細節即可。

第二步：推出性能模型驗證套件

接著，在2019年11月的IEEE International Symposium on Workload Characterization大會上，研究人員提出了一個基準測試套件。這個套件由來自不同領域的基本塊組成，包括機器學習、編譯器、密碼學和圖形，可以用來驗證性能模型。值得注意的是，這項研究是和谷歌合力完成。他們將30多萬個數據塊匯集到了BHive，這是對x86-64基本塊的性能模型進行系統驗證的基準。

研究人員使用BHive評估了4個現有的性能模型：IACA，llvm-mca，Ithemal，OSACA。

在他們的評估中，Ithemal預測英特爾芯片運行代碼的速度，要比英特爾自己建立的性能模型還要快。并且，研究人員的數據集很好地捕捉了2個Google應用程序的基本屬性：Spanner和Dremel。

到了這一步，開發人員和編譯器可以使用該工具來生成代碼，這些代碼可以在多樣化“黑盒子”芯片設計上更快、更高效地運行。

電子工程與計算機科學（EECS）系助理教授Michael Carbin表示：現代的計算機處理器不透明，復雜得可怕、難以理解。編寫對這些處理器執行盡可能快的計算機代碼也面臨巨大的挑戰。

這個工具是朝著對這些芯片的性能進行完全建模，以此來提高效率的重要一步。

第三步：自動生成編譯器優化

最后，在NeurIPS會議上，研究人員提出了一種自動生成編譯器優化的新技術。具體來說，他們自動生成一個算法，稱為Vemal，將特定的代碼轉換為向量，可用于并行計算。相對于LLVM編譯器（業界流行的編譯器）中使用的手工矢量化算法，Vemal的性能要更好。這主要是探討了擬合一個圖神經網絡策略來模擬由其整數線性規劃（LP）解所做出的最優決策是否可行。

結果表明，該策略生成的矢量化方案在靜態度量和運行時，性能上都優于行業標準的編譯啟發式算法。

來自MIT計算機科學與人工智能實驗室

這3篇論文，均出自MIT人工智能研究重地———計算機科學與人工智能實驗室，簡稱CSAIL。核心人物為Charith Mendis，他出生于斯里蘭卡，讀碩士的時候來到麻省理工，是ACM Fellow，CSAIL學術帶頭人Saman Amarasinghe的關門弟子。

CharithMendis 2015年在微軟雷蒙德研究院實習，主要的研究方向就是編譯器、程序分析與機器學習。

他希望，未來大多數編譯器優化將自動生成和學習，而不是手動編寫。它們不僅會產生更快的代碼，而且將更易于開發和維護。現在一系列的工作，就是在朝著這個方向發展。而眼前的下一步，他們將會著力研究使模型可解釋的方法，弄清楚為什么特定的模型會做出預測。