ترجمه فارسی مقاله یک محیط یادگیری تقویت برای بهینه سازی کد خودکار در کامپایلر MLIR

چکیده

Code optimization is a crucial task aimed at enhancing code performance. However, this process is often tedious and complex, highlighting the necessity for automatic code optimization techniques. Reinforcement Learning (RL), a machine learning technique, has emerged as a promising approach for tackling such complex optimization problems. In this project, we introduce the first RL environment for the MLIR compiler, dedicated to facilitating MLIR compiler research, and enabling automatic code optimization using Multi-Action Reinforcement Learning. We also propose a novel formulation of the action space as a Cartesian product of simpler action subspaces, enabling more efficient and effective optimizations. Experimental results demonstrate that our proposed environment allows for an effective optimization of MLIR operations, and yields comparable performance to TensorFlow, surpassing it in multiple cases, highlighting the potential of RL-based optimization in compiler frameworks.

چکیده به فارسی (ترجمه ماشینی)

بهینه سازی کد یک کار مهم با هدف افزایش عملکرد کد است.با این حال ، این فرایند اغلب خسته کننده و پیچیده است و ضرورت تکنیک های بهینه سازی کد خودکار را برجسته می کند.یادگیری تقویت کننده (RL) ، یک تکنیک یادگیری ماشین ، به عنوان یک رویکرد امیدوار کننده برای مقابله با چنین مشکلات بهینه سازی پیچیده ظاهر شده است.در این پروژه ، ما اولین محیط RL را برای کامپایلر MLIR معرفی می کنیم ، اختصاص داده شده به تسهیل تحقیقات کامپایلر MLIR و امکان بهینه سازی کد خودکار با استفاده از یادگیری تقویت چند عمل.ما همچنین یک فرمول جدید از فضای عمل را به عنوان یک محصول دکارتی از زیر مجموعه های عمل ساده تر پیشنهاد می کنیم و بهینه سازی های کارآمدتر و مؤثرتر را امکان پذیر می کنیم.نتایج تجربی نشان می دهد که محیط پیشنهادی ما امکان بهینه سازی مؤثر در عملیات MLIR را فراهم می کند ، و عملکرد قابل مقایسه ای را با Tensorflow به دست می آورد ، از آن در موارد مختلف فراتر می رود و پتانسیل بهینه سازی مبتنی بر RL را در چارچوب های کامپایلر برجسته می کند.