Tadashi: Enabling AI-Based Automated Code Generation With Guaranteed Correctness

要約

自動生成コードのフレームワークとドメイン固有の言語は、従来、コード変換の合法性を保証する厳格な方法を実装するために、人間の専門家に依存していました。
最近、機械学習（ML）は、特定のハードウェアターゲットに最適化されたコードを生成するための牽引力を獲得しました。
ただし、MLは、特にブラックボックスニューラルネットワークにアプローチします。
このギャップに対処するために、多面体モデルを活用するエンドツーエンドのシステムであるTadashiを紹介し、MLベースのコード生成に重要なデータセットのキュレーションをサポートします。
Tadashiは、信頼性と実用性の両方を備えた多面体スケジュールの候補変換を適用、検証、および評価できるエンドツーエンドのシステムを提供します。
Tadashiが生成された変換の合法性を保証し、その低いランタイムオーバーヘッドを実証し、その幅広い適用性を示すことを正式に証明します。
Tadashiはhttps://github.com/vatai/tadashi/で入手できます。

要約(オリジナル)

Frameworks and domain-specific languages for auto-generating code have traditionally depended on human experts to implement rigorous methods ensuring the legality of code transformations. Recently, machine learning (ML) has gained traction for generating code optimized for specific hardware targets. However, ML approaches-particularly black-box neural networks-offer no guarantees on the correctness or legality of the transformations they produce. To address this gap, we introduce Tadashi, an end-to-end system that leverages the polyhedral model to support researchers in curating datasets critical for ML-based code generation. Tadashi provides an end-to-end system capable of applying, verifying, and evaluating candidate transformations on polyhedral schedules with both reliability and practicality. We formally prove that Tadashi guarantees the legality of generated transformations, demonstrate its low runtime overhead, and showcase its broad applicability. Tadashi available at https://github.com/vatai/tadashi/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google