一种用于 MLIR 编译器匹配和重写的模式生成语言

《ACM Transactions on Architecture and Code Optimization》：A Pattern Generation Language for MLIR Compiler Matching and Rewriting

编译优化中的模式匹配与自动生成研究。提出PGL语言和PGC编译器，通过自动化模式生成减少用户手动配置负担，实验表明PGL在Fortran和C代码中模式识别量提升113%，结合优化BLAS库实现显著性能增益。

　　

摘要

模式匹配与重写（Pattern Matching and Rewriting，简称PMR）是一种编译器优化技术，它能够识别预定义的代码惯用法，并将这些惯用法替换为优化后的代码，从而提升各种应用程序的性能。最近的研究进展催生了多种加速PMR优化的工具。其中一种技术是源代码匹配与重写（Source Matching and Rewriting，简称SMR），该技术采用以用户为中心、基于源代码的方法，因此无需专门的编译器干预。然而，要利用SMR实现全面的模式匹配覆盖，用户需要详细指定尽可能多的惯用法变体，这既费时又容易出错。

本文介绍了模式生成语言（Pattern Generation Language，简称PGL），这是一个用于简化模式变体自动生成的框架。PGL是一种高级语言，允许用户指定可以被SMR匹配和重写的程序模式。本文还提出了模式生成编译器（Pattern Generation Compiler，简称PGC），这是一种与SMR兼容的工具，能够自动生成惯用法变体以及用PGL语言编写的模式。虽然PGC主要专注于为SMR生成输入模式，但其灵活性使其也可以应用于其他模式匹配与重写系统。

实验结果表明，与手动指定模式相比，PGL在Fortran和C代码中能够识别出多113%的模式。被匹配的模式被替换为对优化后的BLAS库的调用，从而提升了程序性能。通过线性代数基准测试和一组实际程序的实验，验证了显著的性能提升。