AI prevê a rapidez com que os chips de computador executam o código

• A nova ferramenta de aprendizado de máquina prevê quanto tempo um determinado chip de computador leva para executar um código específico.
• É mais preciso do que o modelo de previsão da própria Intel.

Determinar o número de ciclos de clock que um processador leva para executar um bloco de instruções de montagem em estado estacionário é crucial para engenheiros de desempenho e projetistas de compiladores.

Desenvolver um modelo analítico para fazer isso é uma tarefa extremamente complicada, especialmente em arquiteturas de processador modernas, onde a tarefa se torna mais sujeita a erros e deve ser executada do zero para cada geração de processador.

Agora, os pesquisadores do MIT construíram uma ferramenta de aprendizado de máquina que automatiza esse processo, tornando-o mais rápido, fácil e preciso do que as ferramentas manuscritas de última geração usadas atualmente em analisadores de código de máquina estáticos e back-ends de compiladores.

Eles descreveram esse novo pipeline de aprendizado de máquina em três artigos de conferência:

1. Ithemal:Um modelo de rede neural é treinado em blocos básicos de dados rotulados (blocos de instruções de computação). Em seguida, ele prevê quanto tempo um determinado microprocessador leva para executar blocos básicos não processados.

2. BHive:Para validar o Ithemal, os pesquisadores criaram um conjunto de benchmark de blocos básicos de diferentes campos, como criptografia, compiladores, aprendizado de máquina e gráficos. Eles reuniram mais de 300.000 blocos e os colocaram no BHive, um conjunto de dados de código aberto.

O teste mostrou que Ithemal foi capaz de prever a velocidade com que os processadores Intel executariam o código com mais precisão do que o modelo de desempenho desenvolvido pela própria Intel.

3. Vemal:Os pesquisadores construíram um novo método para criar automaticamente um algoritmo chamado Vemal que transforma códigos específicos em vetores para que possam ser processados ​​para computação paralela.

O Vemal tem um desempenho melhor do que algoritmos de vetorização feitos à mão usados ​​em compiladores industriais, incluindo o compilador LLVM.

Usando Dados em vez de Documentação de Chip

A Intel fornece documentação detalhada para explicar a arquitetura de seu chip. Mas apenas alguns desenvolvedores especialistas criam modelos de desempenho para simular a execução do código nessas arquiteturas. E como esses chips são proprietários, a Intel omite certas informações nas documentações.

O que os pesquisadores fizeram foi cronometrar o número médio de ciclos que um chip leva para executar instruções de bloco básicas (como executar um comando específico, desligar e reinicializar), usando uma rede neural.

Fonte:MIT

A rede neural cria perfis automaticamente em milhões de blocos e aprende gradualmente como diferentes arquiteturas de processador executam código. Em termos simples, os pesquisadores usaram um modelo de inteligência artificial para analisar dados sem se concentrar na documentação do chip.

Ithemal pega blocos básicos invisíveis como entrada e gera um único número sugerindo quanto tempo um determinado processador levará para executar aquele código.



No segundo artigo, os pesquisadores demonstraram que o Ithemal tem um desempenho melhor do que os modelos convencionais feitos à mão. Enquanto a taxa de erro do modelo de previsão da Intel foi de 20%, a taxa de erro de Ithemal foi de 10% em vários blocos básicos em diferentes domínios.

O modelo pode ser facilmente treinado em novas arquiteturas:basta coletar mais dados desse chip, executá-lo no criador de perfil e utilizar essas informações para treinar o Ithemal. É isso; o modelo agora está pronto para estimar o desempenho. Ele pode aprender velocidades de desempenho para qualquer arquitetura de processador, incluindo a nova unidade de processamento de tensor do Google.

Leia:Facebook constrói “SapFix”:uma ferramenta de IA que depura o código

No entanto, os pesquisadores ainda não sabem como esse modelo faz previsões, já que grande parte do aprendizado de máquina é uma caixa preta. No próximo estudo, eles tentarão explorar técnicas que possam interpretar esses modelos.