Automatic code optimization using graph neural networks

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.