زیرساخت و توسعه
روش مقیاس‌پذیر برای آزمودن صحت XLA:TPU در بارهای کاری واقعی
پیش‌چاپی در arXiv از روشی برای بررسی و عیب‌یابی کامپایلر XLA:TPU در مقیاس بزرگ خبر می‌دهد؛ روشی که fuzzing را با برنامه‌های مصنوعی و ردپاهای تولیدی ترکیب می‌کند.
بهینه‌سازی‌های پیچیده در کامپایلرهای تخصصی می‌توانند اجرای مدل‌های بنیادی را سریع‌تر کنند، اما هم‌زمان خطر خطاهای ظریف در تولید کد را بالا می‌برند. نویسندگان پیش‌چاپی با عنوان «XLA from the Trenches: Correctness on TPU Workloads at Scale» می‌گویند چنین نقص‌هایی ممکن است به افت دقت عددی یا خرابی حافظه و بافر منجر شوند؛ خطاهایی که می‌توانند آموزش‌های پرهزینه را بی‌اعتبار کنند یا کیفیت سرویس‌دهی زنده را کاهش دهند، بی‌آنکه کامپایلر خطای آشکاری گزارش کند.
این پژوهش روشی را برای راستی‌آزمایی و عیب‌یابی XLA:TPU گوگل در مقیاس بزرگ ارائه می‌کند. رویکرد معرفی‌شده از تکنیک‌های fuzzing بهره می‌گیرد و تولید برنامه‌های مصنوعی را با ردپاهای واقعی محیط تولید ترکیب می‌کند. چکیده همچنین به استفاده از گروه‌هایی از عامل‌های هوش مصنوعی برای انجام خودکار بخشی از فرایند اشاره دارد، اما متن در دسترس جزئیات بیشتری دربارهٔ این فرایند یا نتایج آن ارائه نمی‌کند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده