提出了 SparseTIR，一种为深度学习工作负载提供可组合格式和可组合转换的稀疏张量编译抽象。SparseTIR 对于单一操作符可以比供应商库获得 1.20-2.34 倍到 7.45 倍的性能加速。

Jul, 2022

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

本文提出 IntelliGen 这样一个基于 GIR 表示的张量编译器，该编译器通过综合优化不同的内存访问模式和计算操作，能够针对内存密集运算符生成高性能代码，相比当前最有效的框架，IntelliGen 在 NVIDIA GPU、AMD GPU、Cambricon MLU 上的速度提升分别达到了 1.97x、2.93x 和 16.91x。

Jul, 2023

该论文介绍了一个基于深度学习工作负载的张量程序优化学习框架，其通过学习领域特定的统计成本模型来引导张量操作实现的搜索，进而加速搜索，实现性能与手动调整的图书馆竞争力相当。

May, 2018

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

通过 Tensor Query Processor 实现 SQL 查询到张量程序的转换，并在 Tensor Computation Runtimes 上执行，能够加快查询执行时间并支持混合 ML 预测和 SQL 的查询。

Mar, 2022

论文介绍了面向深度学习的高层中间表示 (IR) 的设计，以求平衡编译效率，表达能力和可移植性，该 IR 被内嵌在开源 NNVM 编译器框架中，为 Amazon 的深度学习框架 MxNet 提供支持。

Sep, 2018

本文介绍了一个硬件优化的数据流架构，用于将计算图形的高阶梯度转化为硬件优化；该架构通过设计一个使用 FIFO 流和优化计算内核库的数据流架构，并提出一个编译器来提取和优化计算图形，以实现最大吞吐量，同时确保无死锁操作，并输出 FPGA 实现的高级综合（HLS）代码，从而实现了 1.8-4.8 倍和 1.5-3.6 倍的加速比，以及较低的内存使用率和能耗延迟乘积。

Aug, 2023

我们开发了一种深度强化学习编译器 LoopTune，用于优化深度学习模型中的张量计算，以在 CPU 上实现超快速度的代码生成和硬件特定优化。

Sep, 2023

提出了一种基于张量嵌入的新逻辑编程语言 T-PRISM，并介绍了其逻辑编程部分和数值计算部分。该编程语言能够从符号推理到深度学习提供非常广泛的高级声明建模，同时结合了张量嵌入和逻辑编程的最小模型语义。该论文还在使用 FB15k 和 WN18 数据集的知识图上推出了 DistMult 模型。

Jan, 2019