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.

HPCTransCompile: An AI Compiler Generated Dataset for High-Performance CUDA Transpilation and LLM Preliminary Exploration

Created by
  • Haebom

저자

Jiaqi Lv, Xufeng He, Yanchen Liu, Xu Dai, Aocheng Shen, Yinghao Li, Jiachen Hao, Jianrong Ding, Yang Hu, Shouyi Yin

개요

본 논문은 딥러닝 모델의 급증하는 파라미터와 계산 요구량을 해결하기 위해 CUDA 기반의 GPU 연산에 의존하는 현 상황을 분석합니다. CUDA 생태계의 지배적인 위치로 인해 다른 하드웨어 플랫폼에서도 CUDA 기반 소프트웨어를 지원해야 할 필요성이 대두되지만, CUDA 코드를 다른 플랫폼으로 변환하는 것은 어려운 과제입니다. 기존의 접근 방식은 한계를 가지고 있으며, 높은 개발 비용이 요구됩니다. 본 논문은 이러한 문제를 해결하기 위해 AI 컴파일러 및 자동 최적화 기술을 활용하여 고성능 CUDA 코드와 해당 플랫폼 코드 쌍을 생성하는 새로운 프레임워크를 제안합니다. 그래프 기반 데이터 증강 방법을 추가하고, CUDA 변환 성능을 평가하기 위한 HPCTransEval 벤치마크를 도입합니다. CUDA-to-CPU 변환을 사례 연구로 실험을 수행하여, CPU 연산자의 속도 향상을 보여주며, LLM이 CUDA 생태계의 호환성 문제를 해결할 잠재력을 강조합니다. 소스 코드는 공개되어 있습니다.

시사점, 한계점

시사점:
LLM을 활용하여 CUDA 코드를 다른 플랫폼으로 효율적으로 변환하는 새로운 프레임워크 제시.
그래프 기반 데이터 증강 및 HPCTransEval 벤치마크를 통해 LLM 성능 평가 및 개선 가능성 제시.
CPU 연산자 속도 향상(평균 43.8%)을 통해 CUDA 생태계의 호환성 문제 해결 가능성을 입증.
오픈소스 공개를 통한 연구의 재현성 및 확장성 확보.
한계점:
현재는 CUDA-to-CPU 변환을 중심으로 한 사례 연구이므로, 다른 플랫폼으로의 변환 성능은 추가 연구가 필요.
LLM의 성능이 고성능 코드에 대해서는 여전히 최적이 아닐 수 있음.
HPCTransEval 벤치마크의 범용성 및 포괄성에 대한 추가 검증 필요.
LLM 기반 접근 방식의 확장성 및 일반화 가능성에 대한 추가적인 연구가 필요.
👍