Demonstrating a Future for MLIR-native DSL Compilers on a NumPy-like Example
TU Dresden(德累斯顿工业大学)
本文介绍了一个面向NumPy的DSL,完全基于MLIR构建,通过新的MLIR类型检查器实现前端动作和语义分析,展示了其在天气建模和计算流体动力学领域的应用效果。
2026-04-27 cs.PL
MOM: Matrix Operations in MLIR
在用于密集线性代数计算的代码生成器中的现代研究已经显示出产生优化代码的能力,其性能与领域专家的最新实现相比并且通常超过领域专家的最新实现。然而,底层基础设施通常是孤立开发的,使得逻辑上可组合的系统的互连变得复杂,如果不是不可能的话。在本文中,我们建议利用MLIR作为一个统一的编译器基础设施,密集的线性代数运算的优化。我们提出了一个新的MLIR方言表达线性代数计算,包括矩阵属性,使高层次的算法转换。这种新方言在MLIR中的集成通过转换到框架已经提供的现有较低级别方言来实现矩阵计算的端到端编译。
2022-08-22 cs.MS cs.PL
Transform Dialect Tutorial
本文介绍 MLIR 的 Transform Dialect,它通过 transform IR 引导 payload IR 的细粒度变换,支持对特定 IR 对象进行选择性优化,是对现有 pass 和模式重写基础设施的补充。
2024-04-30 cs.PL
Fortran performance optimisation and auto-parallelisation by leveraging MLIR-based domain specific abstractions in Flang
本研究将Flang MLIR通用编译器与Open Earth Compiler的MLIR stencil方言结合,开发Fortran模板提取转换与自动并行化方法,在Cray超算上实现2-10倍性能提升,支持多线程、分布式并行与GPU优化且无需修改串行源码。
2023-10-03 cs.DC cs.PL
An MLIR pipeline for offloading Fortran to FPGAs via OpenMP
EPCC, The University of Edinburgh(爱丁堡大学 EPCC)
针对摩尔定律放缓下FPGA加速HPC工作负载的需求,首次在MLIR中实现通过OpenMP target指令将选择性代码卸载到FPGA的方案,结合OpenMP与HLS方言提供可移植编译流程,支持MLIR兼容前端,减少开发工作量并展示生态系统组合性优势。
2025-11-11 cs.DC cs.PL
Cross-Dialect Generalization Without Retraining: Benchmarks and Evaluation of Schema-Derived Constrained Decoding for MLIR
Meta
研究在 MLIR 中能否用从方言操作定义规范派生的推理时先验替代梯度适应,发布跨三种方言的基准测试集,构建三层模式派生约束栈,实验表明在部分方言上新模式能让模型在速度和验证有效率上超越其他模型,并发布相关资源。
2026-10-19 cs.AI cs.LG cs.PL
Building Bridges: Julia as an MLIR Frontend
本文探索将Julia作为MLIR的高级前端,利用其多重派发等特性设计并实现了一个易扩展的MLIR代码生成框架,并通过三个案例研究验证了其有效性。
2025-02-14 cs.PL
Bootstrapping Fuzzers for Compilers of Low-Resource Language Dialects Using Language Models
University of California San Diego(加州大学圣地亚哥分校);Max Planck Institute for Security and Privacy(马克斯·普朗克安全与隐私研究所)
通过语言模型构建编译器低资源语言方言的模糊测试器,利用语法和覆盖引导技术生成种子输入,提升测试效率和覆盖率。
2025-12-05 cs.LG cs.PL cs.SE
MLIR-Forge: A Modular Framework for Language Smiths
ETH Zurich(苏黎世联邦理工学院)
MLIR-Forge是一种利用MLIR灵活性的模块化随机程序生成框架,通过分解生成过程为语言特定和可重用的构建块,简化了领域特定编译器IR的测试和bug检测。
2026-01-14 cs.PL
JLIR: A Julia-Native MLIR-Inspired Intermediate Representation with Automatic JACC Kernel Extraction
Oak Ridge National Laboratory(橡树岭国家实验室)
本文针对MLIR难以适配Julia的问题,提出JLIR框架,将MLIR的多级编译优势引入Julia生态,支持自动JACC内核生成,解决了领域库接口脱离编译器优化路径的痛点。
2026-09-07 cs.CL cs.PL
Experiences Building an MLIR-based SYCL Compiler
本文介绍基于MLIR框架构建SYCL编译器的实践经验,通过方言机制建模主机与设备代码,实现强大优化与分析,相比LLVM实现最高提速4.3倍,并探讨了未来挑战。
2023-12-20 cs.DC cs.PF cs.PL
OpenMQPI: An MLIR-based Pipeline to Offload Quantum Circuits via OpenMP
Leibniz Supercomputing Centre(莱布尼茨超级计算中心);Technical University of Munich(慕尼黑工业大学)
OpenMQPI是一种基于MLIR的OpenMP扩展,它通过QPIR方言和编译流水线将量子资源集成到HPC应用中,经测试在VQE等算法中执行时间优于Qiskit和CUDA Quantum
2026-10-13 cs.PL
K-CIRCT: A Layered, Composable, and Executable Formal Semantics for CIRCT Hardware IRs
本文提出K-CIRCT,首个针对CIRCT硬件中间表示子集的分层、可组合且可执行的形式语义,支持RISC-V处理器模拟,并通过全规则覆盖测试和riscv-mini验证了其有效性与实用性。
2024-04-29 cs.PL cs.SE
Domain-Specific Multi-Level IR Rewriting for GPU
传统的编译器在单个通用中间表示(IR)上操作。这些IR通常是低级别的,接近机器指令。因此,依赖于特定于域的信息的优化要么是不可能的,要么需要复杂的分析来恢复丢失的信息。相比之下,多级重写实例化方言(IR)的层次结构,逐级降低程序,并在最合适的级别执行代码转换。我们证明了这种方法在天气和气候领域的有效性。特别是,我们开发了一个原型编译器和设计模板和GPU特定的方言的基础上,一组新引入的设计原则。我们发现,在LLVM的可扩展MLIR编译器基础设施之上实现的两个特定于域的优化(500行代码)足以超越最先进的解决方案。从本质上讲,多级重写预示着由在共享基础设施之上实现的特定于域和目标的方言组成的专用编译器时代的到来。
2020-07-27 cs.PL
HIR: An MLIR-based Intermediate Representation for Hardware Accelerator Description
边缘设备上机器学习、图像和音频处理的出现推动了对高能效定制硬件加速器的研究。虽然FPGA是节能自定义加速器的理想目标,但硬件设计的难度以及缺乏与供应商无关的标准化硬件编译基础设施阻碍了它们的采用。本文介绍了HIR,一个基于MLIR的中间表示(IR)来描述硬件加速器的设计。HIR将诸如循环和多维张量的高级语言特征与程序员定义的显式调度相结合,以提供适合于DSL编译器流水线的高级IR,而不损害对加速器的微架构的控制。HIR的显式调度允许它表达细粒度、无同步的并行性和优化,如重定时和流水线。作为MLIR的一种方言,它借鉴了从LLVM等社区学到的最佳IR实践。在提供丰富的优化机会和高级抽象的同时,HIR还支持与软件编译器基础设施共享优化、实用程序和传递。我们的实现表明,在一系列内核上,HIR代码生成器的代码生成时间平均比Xilinx Vivado HLS低1112倍,而不会影响生成硬件的质量。我们相信,这些都是重要的一步,在设计IR的硬件合成和装备领域特定的语言与生产力和执行编译路径自定义硬件加速。
2021-02-27 cs.AR cs.PL
Compiler-Driven Simulation of Reconfigurable Hardware Accelerators
Cornell University(康奈尔大学);Xilinx Inc.(赛灵思公司(西灵克斯公司))
随着定制的加速器设计越来越受欢迎,以跟上高性能计算的需求,它提出了挑战,现代模拟器设计,以适应这样一个大的各种各样的加速器。现有的模拟器倾向于两个极端:低级和通用的方法,如RTL模拟,可以模拟任何硬件,但需要大量的工作和较长的执行时间;和更高级别的应用程序特定的模型,可以更快,更容易使用,但需要一次性的工程工作。本文提出了一种编译器驱动的仿真工作流程,可以对可配置的硬件加速器进行建模。其核心思想是通过开发一种能够灵活地表示各种硬件结构的中间语言,将结构表示与仿真分离。我们设计的事件队列(EQueue)方言MLIR,方言,可以模拟任意硬件加速器与显式的数据移动和分布式基于事件的控制,我们还实现了一个通用的模拟引擎模型EQueue程序与混合MLIR方言代表不同的抽象层次。我们展示了两个案例研究的Eccile实现的加速器:在现代FPGA的卷积和SIMD处理器的脉动阵列。在前者中,我们表明EQueue模拟是一个国家的最先进的模拟器一样准确,同时提供更高的可扩展性和更低的迭代成本,通过编译器通过。在后者中,我们证明我们的仿真流程可以指导设计人员有效地改善他们的设计使用可视化的仿真输出。
2022-02-01 cs.AR cs.LG cs.PL
Bridging Control-Centric and Data-Centric Optimization
本文提出DCIR流水线,通过MLIR方言与专用pass在DaCe框架内融合控制中心与数据中心优化,恢复参数化符号数据流,实验表明其持续优于MLIR并自动发现新优化机会。
2023-06-01 cs.DC cs.PL
Towards a high-performance AI compiler with upstream MLIR
Intel Corporation(英特尔公司)
提出基于开源 MLIR 的编译流程,通过缓存级优化与微内核降低技术,使线性代数抽象达到 ninja 级性能的 90% 以上。
2024-04-15 cs.AI cs.AR cs.DC
Nova: An End-to-End MLIR Compiler for Deep Learning
Blubridge AI(布鲁布里奇人工智能公司)
Nova是一款端到端MLIR编译器,通过整图优化等技术提升深度学习模型性能,在RTX 3060上的TF32矩阵乘法、模型吞吐量和内存占用等指标上优于PyTorch和XLA,可训练更大规模模型且避免OOM故障。
2026-09-03 cs.AI cs.AR cs.LG
Stencil-HMLS: A multi-layered approach to the automatic optimisation of stencil codes on FPGA
针对FPGA编程难阻碍其在HPC普及的问题,提出多层stencil代码自动优化方法Stencil-HMLS与HLS方言,结合PSyclone Fortran DSL实现了显著的性能与能效提升。
2023-10-03 cs.DC cs.PF cs.PL
Library Liberation: Competitive Performance Matmul Through Compiler-composed Nanokernels
Intel Advanced Technologies Group,\ Corporation, India.;Intel Advanced Technologies Group,\ Corporation, Switzerland.;Intel Advanced Technologies Group,\ Corporation, UK.;Intel Advanced Technologies Group,\ Corporation, USA.
针对AI/ML工作负载中高性能矩阵乘法实现依赖专家手工内核或专用库、可扩展性差的问题,提出基于MLIR的编译方案自动组合纳米内核生成高性能微内核,性能达到生产级,可媲美现有最优微内核库。
2025-11-14 cs.LG cs.PF cs.PL
A Multi-level Compiler Backend for Accelerated Micro-kernels Targeting RISC-V ISA Extensions
本文提出一种多层编译器后端设计,通过渐进式lowering和结构化IR上的增量寄存器分配,为带硬件循环与流式寄存器的RISC-V加速器生成定制微内核,在关键DNN内核上实现高达90%的FPU利用率。
2025-02-06 cs.PL