AI for Compiler 优化挑战

本项目根据赛题要求，完成以下工作：（1）对业界AI for Compiler进展进行调研；（2）针对编译器优化技术的多样性和复杂性使得准确预测困难的问题，提出新的机制或方法；3）实现自开发算法，并给出效果分析。

相关提交作品包括：（1）对AI FOR Compiler中编译器自动调优技术的综述报告（doc目录下）；（2）基于集成学习的 Benchmark 时间预测的机制方法及效果分析（doc目录下）；（3）开源本文项目代码（etern_baseline_new目录下）；（4）其他大赛要求提交材料，包括PPT描述、承诺书和视频讲解等材料。

本项目主要背景

在当今的计算领域，编译器优化是提升软件性能的关键环节。 首先对编译器调优的“前世、今生和未来”等技术进行调研，比较不同技术之间的优势和不足。 然后，面向Benchamrk对编译器性能预测问题进行改进。 Benchmark 作为评估编译器性能的重要工具，其运行质量直接影响对编译器优化效果的准确判断。然而，目前对常用 Benchmark进行预测的研究存在以下挑战：编译器优化技术的多样性和复杂性使得准确预测变得极为困难，不同的优化策略相互交织，其对 Benchmark 运行的影响非线性且存在相互作用。Benchmark 本身的特性和多样性也为预测带来不确定性。本项目采用集成学习的方法，通过贝叶斯优化调整参数，并基于特征重要性排序进行指标集的优选进行模型设计，从而支持小样本性能预测，并提升准确率和效率。