ترجمه فارسی مقاله کامپایل به کمک LLM برای شتاب‌دهنده‌های تانسور

چکیده

Hardware accelerators, in particular accelerators for tensor processing, have many potential application domains. However, they currently lack the software infrastructure to support the majority of domains outside of deep learning. Furthermore, a compiler that can easily be updated to reflect changes at both application and hardware levels would enable more agile development and design space exploration of accelerators, allowing hardware designers to realize closer-to-optimal performance. In this work, we discuss how large language models (LLMs) could be leveraged to build such a compiler. Specifically, we demonstrate the ability of GPT-4 to achieve high pass rates in translating code to the Gemmini accelerator, and prototype a technique for decomposing translation into smaller, more LLM-friendly steps. Additionally, we propose a 2-phase workflow for utilizing LLMs to generate hardware-optimized code.

چکیده به فارسی (ترجمه ماشینی)

شتاب دهنده های سخت افزاری ، به ویژه شتاب دهنده های پردازش تانسور ، دامنه های کاربردی بالقوه زیادی دارند.با این حال ، آنها در حال حاضر فاقد زیرساخت های نرم افزاری برای حمایت از اکثر حوزه های خارج از یادگیری عمیق هستند.علاوه بر این ، کامپایلری که به راحتی می تواند به روز شود تا تغییرات را در هر دو سطح کاربرد و سخت افزاری منعکس کند ، توسعه چابک تر و کاوش در فضای شتاب دهنده ها را امکان پذیر می کند و به طراحان سخت افزار امکان می دهد عملکرد نزدیک به مطلوب را تحقق بخشند.در این کار ، ما بحث می کنیم که چگونه مدل های بزرگ زبان (LLMS) می توانند برای ساخت چنین کامپایلر اعمال شوند.به طور خاص ، ما توانایی GPT-4 را برای دستیابی به نرخ عبور بالا در ترجمه کد به شتاب دهنده Gemmini نشان می دهیم ، و نمونه ای از یک تکنیک برای تجزیه ترجمه به مراحل کوچکتر و دوستدار LLM است.علاوه بر این ، ما یک گردش کار 2 فاز برای استفاده از LLMS برای تولید کد بهینه سازی شده سخت افزاری پیشنهاد می کنیم.