Automatic code optimization using graph neural networks
Çizge yapay sinir ağları kullanılarak otomatik program eniyilemesi
- Tez No: 780503
- Danışmanlar: PROF. DR. ÖZCAN ÖZTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 121
Özet
Derleyiciler yüzlerce eniyileme seçeneği sunar ve iyi bir eniyileme dizisi seçmek yoğun çaba ve uzman girdisi gerektirdiği için karmaşık ve zaman alan bir iştir. Bu nedenle, literatürde eniyilemeri otomatik olarak bulmaya odaklanan birçok araştırma mevcuttur. Bu araştırmaların çoğu statik, uzamsal veya dinamik özellikleri kullanırken son zamanlarda, derin sinir ağlarını kaynak koduna doğrudan uygulamaya yönelik araştırmalara ağırlık verilmektedir. Biz de bu tez çalışmasında, kaynak kodunu çizge biçiminde temsil ederek statik özellikleri, uzamsal özellikleri ve derin sinir ağlarını birleştirdik. Otomatik olarak en uygun eniyileme seçeneklerini bulmak için ise bir Çizge Yapay Sinir Ağı (GNN) modeli eğittik. Modeli test etmek için sekiz adet ikili eniyileme bayrağı ile Polybench ve cBench adında iki adet veri kümesi seçtik. 47 program ve 256 adet eniyileme seti kombinasyonu kullanarak 12000 çizgeden oluşan bir veri seti oluşturduk. Modelimizi bu çizgeleri kullanarak eğittik ve test ettik. Sonuçlar, tüm eniyileme seçeneklerinin etkinleştirildiği duruma kıyasla maksimum %48,6 hız artışı elde edebileceğimizi gösterdi.
Özet (Çeviri)
Compilers provide hundreds of optimization options, and choosing a good optimization sequence is a complex and time-consuming task. It requires extensive effort and expert input to select a good set of optimization flags. Therefore, there is a lot of research focused on finding optimizations automatically. While most of this research considers using static, spatial, or dynamic features, some of the latest research directly applied deep neural networks on source code. We combined the static features, spatial features, and deep neural networks by rep- resenting source code as graphs and trained Graph Neural Network (GNN) for automatically finding suitable optimization flags. We chose eight binary optimization flags and two benchmark suites, Polybench and cBench. We created a dataset of 12000 graphs using 256 optimization flag combinations on 47 benchmarks. We trained and tested our model using these benchmarks, and our results show that we can achieve a maximum of 48.6% speed-up compared to the case where all optimization flags are enabled.
Benzer Tezler
- Veri akış denklemlerinin çözümü ile kod optimizasyonu
Code optimization by solving data flow equations
EROL AKARSU
Yüksek Lisans
Türkçe
1993
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiDOÇ.DR. NADİA ERDOĞAN
- Simülasyon yazılımlarında kod klonları
Code clones in simulation software systems
MERVE ASTEKİN
Yüksek Lisans
Türkçe
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUHİTTİN GÖKMEN
- Adjoint based design optimization of subsonic airfoils with a panel code
Panel kodu ile adjoint tabanlı sesaltı kanat profili eniyilemesi
BERK SARIKAYA
Yüksek Lisans
İngilizce
2022
Havacılık ve Uzay MühendisliğiOrta Doğu Teknik ÜniversitesiHavacılık ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL HAKKI TUNCER
- Temas tanklarının verimlerinin iyileştirilmesi için açık kaynak HAD yazılımı kullanılarak delikli perdenin optimizasyonu
Optimization of perforated baffle for the efficiency enhancement of contact tanks using open source CFD code
NAZHMIDDIN NASYRLAYEV
Yüksek Lisans
İngilizce
2021
Çevre MühendisliğiEskişehir Osmangazi Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ENDER DEMİREL
- Kuantum hesaplama modellerinin derin öğrenme kullanılarak otomatik üretimi
Automated generation of quantum computing models using deep learning
NİYAZİ FURKAN BAR
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KARAKÖSE