AI predice qué tan rápido los chips de computadora ejecutarán el código

• La nueva herramienta de aprendizaje automático predice cuánto tiempo tarda un chip de computadora en ejecutar un código específico.
• Es más preciso que el propio modelo de predicción de Intel.

Determinar el número de ciclos de reloj que tarda un procesador en ejecutar un bloque de instrucciones de ensamblaje en estado estable es crucial tanto para los ingenieros de rendimiento como para los diseñadores de compiladores.

Desarrollar un modelo analítico para hacerlo es una tarea extremadamente complicada, especialmente en arquitecturas de procesador modernas donde la tarea se vuelve más propensa a errores y debe realizarse desde cero para cada generación de procesador.

Ahora, los investigadores del MIT han creado una herramienta de aprendizaje automático que automatiza este proceso, haciéndolo más rápido, más fácil y más preciso que las herramientas escritas a mano de última generación que se utilizan actualmente en analizadores de código de máquina estáticos y backends de compiladores.

Describieron esta novedosa canalización de aprendizaje automático en tres documentos de conferencia:

1. Ithemal:un modelo de red neuronal se entrena en bloques básicos de datos etiquetados (bloques de instrucciones informáticas). Luego predice cuánto tiempo tarda un microprocesador en ejecutar bloques básicos sin procesar.

2. BHive:Para validar Ithemal, los investigadores crearon un conjunto de referencia de bloques básicos de diferentes campos, como criptografía, compiladores, aprendizaje automático y gráficos. Reunieron más de 300.000 bloques y los pusieron en BHive, un conjunto de datos de código abierto.

Las pruebas mostraron que Ithemal pudo predecir qué tan rápido los procesadores Intel ejecutarían el código con mayor precisión que el modelo de rendimiento desarrollado por la propia Intel.

3. Vemal:los investigadores crearon un nuevo método para crear automáticamente un algoritmo llamado Vemal que transforma código específico en vectores para que pueda ser utilizado para computación en paralelo.

Vemal funciona mejor que los algoritmos de vectorización hechos a mano utilizados en compiladores industriales, incluido el compilador LLVM.

Uso de datos en lugar de la documentación de Chip

Intel proporciona documentación detallada para explicar la arquitectura de su chip. Pero solo ciertos desarrolladores expertos crean modelos de rendimiento para simular la ejecución del código en esas arquitecturas. Y dado que estos chips son propietarios, Intel omite cierta información en la documentación.

Lo que hicieron los investigadores fue registrar la cantidad promedio de ciclos que toma un chip para ejecutar instrucciones básicas de bloque (como ejecutar un comando específico, apagar y reiniciar), usando una red neuronal.

Fuente:MIT

La red neuronal perfila automáticamente millones de bloques y aprende gradualmente cómo las diferentes arquitecturas de procesador ejecutan el código. En términos simples, los investigadores utilizaron un modelo de inteligencia artificial para analizar datos sin centrarse en la documentación del chip.

Ithemal toma bloques básicos invisibles como entrada y genera un solo número que sugiere cuánto tiempo tomará un procesador determinado para ejecutar ese código.

En el segundo artículo, los investigadores demostraron que Ithemal funciona mejor que los modelos convencionales hechos a mano. Si bien la tasa de error del modelo de predicción de Intel fue del 20%, la tasa de error de Ithemal fue del 10% en varios bloques básicos en diferentes dominios.

El modelo se puede entrenar fácilmente en nuevas arquitecturas:simplemente recopile más datos de ese chip, ejecútelo a través del generador de perfiles y utilice esa información para entrenar a Ithemal. Eso es; el modelo ahora está listo para estimar el rendimiento. Puede aprender las velocidades de rendimiento para cualquier arquitectura de procesador, incluida la nueva Unidad de procesamiento de tensor de Google.

Leer:Facebook crea "SapFix":una herramienta de inteligencia artificial que depura el código

Sin embargo, los investigadores aún no saben cómo este modelo hace predicciones, ya que gran parte del aprendizaje automático es una caja negra. En el próximo estudio, intentarán explorar técnicas que podrían interpretar estos modelos.