Компьютерные науки > Машинное обучение [представлено 27 октября 2026 года] Название: Lesss больше: изучение профиля для оптимизации ядра GPU View PDF HTML (экспериментальный) Резюме: Основные языковые модели недавно продемонстрировали значительный потенциал автоматической оптимизации ядер ГПСУ, однако их эффективность в значительной степени зависит от информации об аппаратных средствах, имеющихся у модели оптимизации ядра. Существующие системы, как правило, опираются на предопределенные стратегии профилирования и оставляют то, что следует характеризовать в основном за рамками процесса оптимизации. Мы показываем, что эффективное профилирование - это не просто сбор большего объема информации: увеличение числа метрик профилей не способствует монотонному улучшению оптимизации ядер, в то время как наиболее полезная информация о профилировании варьируется между ядрами. Наш теоретический анализ далее показывает, что при такой неоднородной полезности профилирования отбор с учетом особенностей ядра может превзойти любую единую фиксированную конфигурацию. Исходя из этого наблюдения, мы предлагаем систему AutoProfiler - ориентированную на обратную связь основу для изучения детерминистского профилирующего дерева по оптимизации обратной связи. Дерево итеративно совершенствуется в рамках операций REWRITE и SPLIT, при этом LM создает изменения для кандидатов и эмпирическую оценку их принятия. После его изготовления дерево быстро собирает требуемую информацию о профилировании любого ядра,…
Меньше: обучение описанию для оптимизации ядра ГПС
arXiv: 261 030,36576v1 Annuales Type: New Humber Brieflow: Major Language Models недавно продемонстрировали большой потенциал для автоматической оптимизации ядер ГПСП, однако их эффективность в значительной степени зависит от информации об аппаратных средствах, имеющихся в модели оптимизации ядра. Существующие системы, как правило, опираются на предопределенные стратегии профилирования и оставляют то, что следует характеризовать в основном за рамками процесса оптимизации. Мы показываем, что эффективное профилирование - это не просто сбор большего объема информации: увеличение числа метрик профилей не способствует монотонному улучшению оптимизации ядер, в то время как наиболее полезная информация о профилировании варьируется между ядрами. Наш теоретический анализ далее показывает, что при такой неоднородной полезности профилирования отбор с учетом особенностей ядра может превзойти любую единую фиксированную конфигурацию. Исходя из этого наблюдения, мы предлагаем систему AutoProfiler - ориентированную на обратную связь основу для изучения детерминистского профилирующего дерева по оптимизации обратной связи. Дерево итеративно реф.