逸翎清晗🌈

【综述解析·II】Compiler Technologies in Deep Learning Co-Design: A Survey 领域：计算机科学→软硬件协同→编译器 本文涉及的资源： https://buddycompiler.com/ https://github.com/buddy-compiler/buddy-mlir https://github.com/buddy-compiler 摘要： 随着深度学习应用的快速发展，通用处理器已难以满足深度学习工作负载的需求，摩尔定律的消退加剧了这一趋势。因此，面向领域的设计迎来了计算机体系结构创新的黄金时代，同时也催生了对新型编译技术日益增长的需求，以促进跨层次优化。从历史上看，硬件与软件一直以来都是协同设计的。时至今日，这种协同设计理念仍然在深度学习领域的学术界与工业界发挥着重要作用，且其涵盖的范围不断扩展并深化多个维度和层次。在本研究中，我们详尽阐述了过去与近期在深度学习编译器与协同设计方面的相关工作，重点探讨两者结合的方法——我们认为，这正是新一代深度学习时代的主流趋势。在总结现有编译技术与协同设计方案后，我们提出了 ...

【综述解析·I】Automated Program Repair: Emerging Trends Pose and Expose Problems for Benchmarks 领域：计算机科学→软件工程→程序分析与程序维护、APR、Benchmarking、Evaluating 摘要： 机器学习（ML）已经渗透到自动程序修复（APR）领域。各类算法使用神经机器翻译和大型语言模型（LLM）来生成软件补丁等。但这些 ML 应用与早期工作存在重要差异，使得确保其结果有效且具备泛化能力变得更加复杂。一个挑战在于，现行最流行的 APR 评测基准并非为 ML 技术设计，尤其是对于 LLM，其庞大且往往未公开披露的训练数据集可能包含了评测中使用的问题实例。 本文回顾了自 2018 年以来在该领域五大顶级会议上发表的 APR 相关工作，重点关注包括 LLM 在内的 ML 模型的显著崛起等新兴趋势。我们从结构和功能两个维度对基于 ML 的文章进行了分类，并指出了这些新方法引发的多种问题。值得注意的是，由于现有评测基准在 ML 技术兴起之前设计，使用它们来验证基于 ML 的 APR 方案时，可能会 ...

IndirectBrExpandPass 此 Pass 将近 300 行。 这个 Pass主要用来将 LLVM IR 中的 indirectbr 指令展开成等价的 switch 指令，方便那些目标架构不直接支持间接跳转（indirect branch）或希望通过内建的 switch lowering 来生成代码时使用。 我们知道，indirectbr 用于 LLVM IR 中的间接跳转，目标不是固定的标签，而是一个运行时计算得到的地址。 那么可以看一下如下的例子，假设有这样一段伪 IR： ; 原始 IR：两个基本块 A 和 B，各自都有一个 indirectbr entry: %addr = ; 某种方式得到要跳转到 A 或 B 的地址 indirectbr %addr, [label %A, label %B] foo: ; 又一处间接跳转 %addr2 = … indirectbr %addr2, [label %A, label %B] 经过 IndirectBrExpandPass 处理后，大致会变成： ; 为 A 分配编号 1，为 B 分配编号 2 ...

GCRootLowering 这个代码实现的是 LLVM 中的垃圾回收 (GC) 支持的一部分，主要围绕 gc.root 机制的 lowering（降层转换） 和 元数据分析，它分为两个核心 Pass。 涉及的概念有： GC Root：程序运行中存活对象的可达起点（如局部变量、参数、静态字段）。 Intrinsic 含义 llvm.gcroot 声明某个 alloca 是 GC 根（root） llvm.gcread 从 GC 管理对象中读取字段 llvm.gcwrite 向 GC 管理对象中写入字段 GCMachineCodeAnalysis ✅ 功能： 分析目标指令级别的函数，插入 safe point（用于 GC 暂停和扫描的安全位置）； 确定所有 GC roots 的 栈上偏移量（stack offset），供后续生成精确 GC map； 设置整个函数的 frame size 元信息。 在 LLVM 的 GC 策略（GCStrategy）中，有些语言或运行时系统（如 Java、.NET）依赖于精确 GC 信息，这些 Pass 就是将抽 ...

Hardware loops 这个 pass 有 608 行 这个 HardwareLoops Pass 的主要作用，是在 LLVM 编译流程中把“普通的”软件循环转换成底层目标机器所支持的 硬件循环。 正好来区分一下软件循环和硬件循环： 软件循环例子： MOV R0, #0 ; i = 0 MOV R1, #n ; R1 保存 n loop_soft: CMP R0, R1 ; 比较 i 和 n BGE end_soft ; 若 i >= n，跳出 ; ——— 循环体 ——— ADD R0, R0, #1 ; i = i + 1 B loop_soft ; 跳回比较 end_soft: 硬件循环（hardware loop）： 原理：利用处理器提供的==专门指令或内建硬件计数器来管理循环迭代次数==。编译器在循环外一次性设置好迭代次数，循环内部不用再做显式比较和计数器更新，硬件在每次迭代结束时自动递减并判断是否继续。 迭代逻辑放到专门的 ...

GlobalMerge 这算是个中型 Pass，代码量有 770 多行。因为大模型理解得比我深，所以这个例子主要使用模型的输入作为参考。 其作用是：将具有内部链接（internal linkage）的全局变量合并为一个大的全局结构，从而==优化内存访问并降低寄存器压力，尤其是在处理多个全局变量的场景下。== ✅ 它具体做了什么？ 查找所有具有内部链接的全局变量（如 static int foo[N]; 之类的）。 将这些变量合并为一个结构体（struct），例如： static struct { int foo[N]; int bar[N]; int baz[N]; } merged; 替换原来的变量访问，使所有原本独立变量的访问都通过结构体的偏移量访问。 📈 为什么这样做是有益的？ 在某些体系结构（如 ARM）上，每个全局变量的地址都需要通过寄存器持有，因此如果你有多个全局变量，就需要多个寄存器。 将这些变量合并到一个结构中后，只需要一个寄存器持有结构体的基地址，其他变量都可以通过偏移访问。 可以显著减少寄存器压力，提高代码 ...