[논문 리뷰] MLIR: A Compiler Infrastructure for the End of Moore's Law

Chris Lattner, Mehdi Amini외 8명|arXiv (Cornell University)|2020. 02. 25.

Parallel Computing and Optimization Techniques참고 문헌 47인용 수 120

한 줄 요약

MLIR은 모듈식, SSA 기반 IR과 다이얼렛을 통해 이질적 하드웨어와 도메인 특화 컴파일러를 지원하는 재사용 가능하고 확장 가능한 컴파일러 인프라를 제시하며, 목표는 파편화를 줄이고 컴파일러 개발을 가속화하는 것.

ABSTRACT

This work presents MLIR, a novel approach to building reusable and extensible compiler infrastructure. MLIR aims to address software fragmentation, improve compilation for heterogeneous hardware, significantly reduce the cost of building domain specific compilers, and aid in connecting existing compilers together. MLIR facilitates the design and implementation of code generators, translators and optimizers at different levels of abstraction and also across application domains, hardware targets and execution environments. The contribution of this work includes (1) discussion of MLIR as a research artifact, built for extension and evolution, and identifying the challenges and opportunities posed by this novel design point in design, semantics, optimization specification, system, and engineering. (2) evaluation of MLIR as a generalized infrastructure that reduces the cost of building compilers-describing diverse use-cases to show research and educational opportunities for future programming languages, compilers, execution environments, and computer architecture. The paper also presents the rationale for MLIR, its original design principles, structures and semantics.

연구 동기 및 목표

• 도메인과 하드웨어 대상 간 파편화를 줄이기 위해 일반적이고 확장 가능한 컴파일러 인프라를 제안한다.
• 여러 추상화 수준을 지원하기 위해 사용자 정의 가능한 다이얼렛을 갖춘 표준 SSA 기반 IR을 제공한다.
• 컴파일러 개발을 용이하게 하기 위한 구문 분석, 검증, 변환, 디버깅 인프라를 제공한다.
• MLIR이 다양한 컴파일 스택을 통합하고 연구, 교육, 도구 개발을 촉진할 수 있는 방법을 시연한다.

제안 방법

• MLIR의 핵심 추상화: SSA 기반 IR, 영역(regions), 연산(Ops), 그리고 다이얼렛을 소개한다.
• 설계 원칙을 설명한다: 최소한의 내장 개념, 점진적 하향화, 고수준 의미의 보존.
• Operation Descriptions(ODS)와 Declarative Rewrite Rules(DRR)를 통한 선언적 IR 정의를 제시한다.
• 다이얼렛, 패스, 검증, 다중 수준 IR 관리에 대한 MLIR 인프라를 설명한다.
• 다중 스레드, 왕복 가능한 텍스트 IR 형식 및 풍부한 위치/트레이싱 데이터를 지원하는 것을 보여준다.

실험 결과

연구 질문

• RQ1 하나의 IR 프레임워크가 개념을 하드코딩하지 않고도 여러 고수준 추상화(예: ML 그래프, AST, 폴리에드르 형태)를 어떻게 지원할 수 있을까?
• RQ2 점진적 하향화와 다이얼렛 구성이 다양한 하드웨어 대상에 걸쳐 효율적이고 이종의 컴파일을 가능하게 할까?
• RQ3 확장 가능한 생태계에서 MLIR이 모듈식이고 재사용 가능한 컴파일 패스와 신뢰할 수 있는 검증을 어떻게 가능하게 하는가?
• RQ4 선언적 재작성 패턴과 TableGen 기반 Op 설명의 확장성과 도구 개발에 대한 이점은 무엇인가?

주요 결과

• MLIR은 모듈식 다이얼렛과 재사용 가능한 패스를 가능하게 하여 컴파일러 구축 비용을 낮추는 일반화된 인프라를 제공한다.
• 설계는 필요한 의미를 보존하면서 고수준 추상화에서 하드웨어 대상까지의 점진적 하향화를 지원한다.
• 다이얼렛 혼합과 영역 기반 IR은 도메인 간 재사용을 가능하게 하고 이종 컴파일을 촉진한다.
• 선언적 재작성 패턴과 DRR/ODS는 더 쉽고 검증 가능한 변환과 확장 가능한 최적화를 가능하게 한다.
• 인프라에는 검증, 문서 생성, 왕복 가능한 텍스트 IR가 포함되어 디버깅과 교육에 도움을 준다.