Ferramenta de IA Prevê Velocidade de Execução de Chips com Mais Precisão que Modelo da Intel

Uma nova ferramenta de aprendizado de máquina prevê quanto tempo um determinado chip de computador leva para executar código específico. Ela é mais precisa que o próprio modelo de previsão da Intel.

O Desafio da Análise de Desempenho

Determinar o número de ciclos de clock que um processador leva para executar um bloco de instruções assembly em estado estacionário é crucial tanto para engenheiros de desempenho quanto para designers de compiladores.

Desenvolver um modelo analítico para isso é uma tarefa extremamente complicada, especialmente em arquiteturas de processadores modernos, onde a tarefa se torna mais propensa a erros e deve ser realizada do zero para cada geração de processador.

Agora, 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 ponta atualmente usadas em analisadores estáticos de código de máquina e backends de compiladores.

Três Artigos Científicos Descrevem a Abordagem

1. Ithemal: Um modelo de rede neural treinado em blocos básicos de dados rotulados (blocos de instruções de computação). 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 áreas, como criptografia, compiladores, aprendizado de máquina e gráficos. Reuniram mais de 300.000 blocos e os colocaram no BHive, um dataset de código aberto. Os testes mostraram que o Ithemal conseguiu prever a velocidade de execução de código em processadores Intel com mais precisão 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 código específico em vetores para computação paralela. O Vemal supera algoritmos de vetorização manuscritos usados em compiladores industriais, incluindo o compilador LLVM.

Usando Dados em Vez de Documentação do Chip

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

O que os pesquisadores fizeram foi medir o número médio de ciclos que um chip leva para executar instruções de blocos básicos (como executar um comando específico, desligar e reiniciar), usando uma rede neural.

A rede neural cria automaticamente perfis de 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 focar na documentação do chip.

O Ithemal recebe blocos básicos não vistos como entrada e gera um único número sugerindo quanto tempo um determinado processador levará para executar aquele código.

Resultados Superiores

No segundo artigo, os pesquisadores demonstraram que o Ithemal supera modelos convencionais manuscritos. Enquanto a taxa de erro do modelo de previsão da Intel era de 20%, a do 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, passá-lo pelo profiler e usar essa informação para treinar o Ithemal. Pronto; o modelo agora está pronto para estimar desempenho. Ele pode aprender velocidades de desempenho para qualquer arquitetura de processador, incluindo a nova Unidade de Processamento Tensor (TPU) do Google.

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

Fonte: MIT