使用可用的方言定义和类型约束，mlirSynth 实现了将低级 MLIR 方言转化为高级方言的程序翻译方法，并在 C 程序和领域特定加速器中展示了其有效性。

Oct, 2023

本篇研究利用多层中间表示（MLIR）提供可重用和可扩展的编译器基础，并提出 TPU-MLIR，通过两个新的方言（Tensor 操作和 TPU 内核）将神经网络模型部署到自定义 ASIC，使用 MLIR 传递管道在 TPU 上进行优化以生成机器代码。

Oct, 2022

该研究提出了一种使用开源编译器的编译流程，构建一个框架，实现从通用的线性代数高级抽象中获得忍者级性能。通过用 TensorFlow 和 PyTorch 中的 Linalg-on-Tensor 中的输入 IR，执行缓存级优化和降低到微内核以实现高效矢量化，实现了超过 90% 与忍者编写等效程序性能的概念证明 MLIR 项目。该研究的贡献包括：（1）在张量方言上对基元进行打包以及用于缓存感知张量（单核和多核）的传播以及类型感知指令（VNNI、BFDOT、BFMMLA）的传播，包括在整个函数中进行形状传播；（2）线性代数流水线，包括切片、融合和缓冲策略，将模型级 IR 转化为硬件友好的切片调用；（3）将微内核降级到支持各种 CPU 的开源库的机制。

Apr, 2024

我们开发了一种基于机器学习的成本模型，针对高级 MLIR 的不同目标变量进行预测，以更准确地指导我们的深度学习编译器在运算符融合、本地内存分配、内核调度等领域进行图级优化，以及在循环互换、LICM 和展开等内核级优化中使用。

Feb, 2023

我们提出了 ML-Compiler-Bridge，利用传统的 Python 框架，实现了 ML 模型在优化编译器中的开发和高效的端到端集成。通过在多个优化问题、多个编译器及其版本和 gym 基础设施上进行研究和生产应用的评估，解决了模块化、性能和框架独立性等挑战。

Nov, 2023

该论文介绍了 TensorIR 编译器抽象，用于优化具有张量计算原语的程序，通过 TensorIR 编译可以自动化优化深度学习模型，实验结果表明 TensorIR 编译使用特定的硬件后端的张量计算原语，并在各平台上提供了与手动优化系统相当的性能竞争力。

Jul, 2022

本研究综合调查了现有的 DL 编译器，重点关注了 DL 导向的多层 IR 设计和前端 / 后端优化，提供了各方面的全面比较，并且阐述了常见的优化技术以及潜在的研究方向。

Feb, 2020

本文提出了一种新的方法，使用低级别的编译器中间表示 (IR) 来提高代码的翻译质量，不同于使用传统转换方法的手工指定规则，使用神经机器翻译 (NMT) 方法进行翻译，并将 IRs 作为中间变量，能够在 C ++，Java，Rust 和 Go 语言中获得自然的翻译结果，平均提高正确翻译数 11％，在一些语言对中高达 79％，同时还将 IRs 用作翻译的中间枢轴。

Jun, 2022

通过 Meta Large Language Model Compiler (LLM Compiler) 提供的编译器优化用户界面，可以更好地理解中间表示 (IR)、汇编语言和优化技术。该模型经过数百亿个 LLVM-IR 和汇编代码令牌的训练，并在指令微调中提高了对编译器行为的理解。LLM Compiler 旨在为学术研究人员和行业从业者在编译器优化方面提供可扩展、具有成本效益的基础。

Jun, 2024

CIM-MLC 是一个通用的多层次编译框架，用于支持计算内存架构，能够编译任务到各种具有不同设备、架构和编程接口的计算内存加速器，并通过跨多个层次的映射和调度策略，实现更好的调度和指令生成结果。

Jan, 2024