Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Improving Parallel Program Performance with LLM Optimizers via Agent-System Interfaces

Created by
  • Haebom

저자

Anjiang Wei, Allen Nie, Thiago S. F. X. Teixeira, Rohan Yadav, Wonchan Lee, Ke Wang, Alex Aiken

개요

본 논문은 고성능 컴퓨팅에 의존하는 현대 과학 발견에서 병렬 프로그램 성능 향상의 주요 과제인 매퍼(mapper) 개발의 자동화를 제시한다. 매퍼는 프로세서와 메모리에 작업과 데이터를 매핑하는 저수준 시스템 코드로, 수동 조정에 많은 시간이 소요된다. 본 연구는 생성적 최적화를 활용하여 매퍼 개발을 자동화하는 프레임워크를 제안한다. Agent-System Interface는 도메인 특화 언어(DSL)를 통해 저수준 시스템 코드의 복잡성을 추상화하고 구조화된 검색 공간을 정의하며, AutoGuide는 원시 실행 출력을 실행 가능한 피드백으로 해석한다. 기존의 스칼라 피드백에 의존하는 강화 학습 방식과 달리, 훨씬 적은 반복 횟수로 우수한 매퍼를 찾는다. 10회 반복만으로 1000회 반복된 OpenTuner를 능가하는 3.8배의 성능 향상을 달성했고, 9개의 벤치마크에서 전문가가 작성한 매퍼보다 최대 1.34배 빠른 매퍼를 찾아 개발 시간을 수일에서 수분으로 단축했다.

시사점, 한계점

시사점:
생성적 최적화 기반의 자동화된 매퍼 개발 프레임워크를 통해 고성능 컴퓨팅 분야의 개발 효율성을 획기적으로 높일 수 있다.
스칼라 성능 지표를 넘어 원시 실행 출력을 활용한 풍부한 피드백을 통해 더욱 효율적인 매퍼를 생성할 수 있음을 보여준다.
전문가 수준을 넘어서는 성능의 매퍼를 자동으로 생성하여, 도메인 과학자들이 시스템 전문 지식 없이도 고성능 컴퓨팅을 활용할 수 있도록 지원한다.
개발 시간을 수일에서 수분으로 단축하여 연구 생산성 향상에 크게 기여할 수 있다.
한계점:
제안된 프레임워크의 일반성 및 다양한 시스템 환경에 대한 적용 가능성에 대한 추가적인 검증이 필요하다.
특정 유형의 문제에 최적화된 DSL 및 AutoGuide의 설계가 다른 유형의 문제에는 적용하기 어려울 수 있다.
더욱 복잡하고 대규모의 문제에 대한 적용 가능성과 성능 평가가 필요하다.
👍