Multi Level Intermediate Representation
PulseAugur coverage of Multi Level Intermediate Representation — every cluster mentioning Multi Level Intermediate Representation across labs, papers, and developer communities, ranked by signal.
-
LLVM 讨论默认启用 ClangIR，提及构建时间担忧
LLVM 开发者正在讨论一项提议，即在默认构建配置中启用 ClangIR，这是一个基于 MLIR 的新中间表示。提出的主要担忧是可能增加开发者和 CI 系统的构建时间，因为 ClangIR 将成为强制性依赖项。支持者认为，默认启用它将鼓励更广泛的测试和更快的错误检测，确保该组件获得足够的关注和开发。
-
JLIR 框架将 MLIR 风格的编译带入 Julia
研究人员开发了 JLIR，一个受 MLIR 启发的、原生于 Julia 的中间表示框架。JLIR 旨在将 MLIR 的多级、面向方言的编译优势引入 Julia 生态系统，同时可以作为标准的 Julia 代码使用。该框架通过 Julia 的原生机制支持可扩展的操作和转换通道，允许在确定具体类型之前保留部分类型信息以供转换。JLIR 已应用于为 Julia for Accelerators (JACC) 自动生成内核。
-
华为开源AscendNPU-IR以优化AI处理器
华为发布了AscendNPU-IR，一个基于MLIR的开源中间表示工具。该工具旨在增强Ascend AI处理器算子的编译和优化，以提高其计算效率。AscendNPU-IR为算子开发和细粒度性能控制提供了多级抽象接口，支持与生态框架集成。
-
Nova 编译器通过积极优化解锁深度学习性能
研究人员开发了 Nova，这是一款端到端的即时 (JIT) 编译器，旨在通过对硬件和内存进行精细控制来优化深度学习模型的性能。Nova 通过融合操作、优化内存层次结构以及调优到寄存器级别的执行来实现这一点，从而实现积极的全局图优化。评估显示，Nova 在特定任务上可媲美或超越 cuBLAS 和 XLA，在模型吞吐量方面优于 PyTorch 和 XLA，并且至关重要的是，它减小了内存占用，从而能够在消费级 GPU 上训练更大的模型，否则…
-
MLIR 的方言栈：现代 AI 工具的基础
本文深入探讨了 MLIR，一个已成为许多 AI 和机器学习工具基础组件的编译器基础设施项目。文章解释了 MLIR 的分层方法（称为方言栈）如何实现模块化和可扩展性，使开发人员能够通过组合不同的专业方言来构建复杂的系统。文章强调了 MLIR 在 AI 生态系统中日益增长的重要性。
-
新的MLIR方言将脉冲神经网络编译为C
研究人员开发了SNN-MLIR，一个新颖的MLIR方言，旨在将脉冲神经网络（SNN）从通用的中间表示（NIR）编译为C代码，以便在裸机上部署。该工具通过提供统一的编译器表示来解决SNN训练框架碎片化的问题，该表示同时支持浮点和量化数据。该系统包括一个读取NIR文件的Python前端和一个生成自包含C11代码的降低（lowering）过程，目前支持CPU目标上的前馈、全连接网络。
-
Elixir ML 生态系统通过 MLIR、Arrow 和新的传统 ML 工具得到扩展
Elixir 编程语言社区正在通过几个关键项目更新来扩展其机器学习能力。Numerical Elixir (Nx) 现在支持 MLIR，实现了更广泛的硬件兼容性和量化，而 Elixir 数据操作库 Explorer 已实现与 Apache Arrow 数值类型的完全兼容。此外，专注于传统机器学习的 Scholar 项目引入了用于可视化、分类和降维的新算法，增强了该生态系统处理各种 ML 任务的能力。
-
谷歌详解用于应对AI硬件挑战的MLIR编译器基础设施
谷歌研究人员发布了MLIR入门指南，MLIR是一种旨在应对摩尔定律终结在AI发展中带来的挑战的编译器基础设施。MLIR旨在为跨不同硬件架构优化机器学习工作负载提供统一的框架。随着传统硬件扩展速度放缓，这种方法对于保持性能提升至关重要。