MLIR 是一种新型的编译器基础结构方法，旨在通过适应不同应用域、硬件目标和执行环境的代码生成器、转换器和优化器，解决软件碎片化问题，改善异构硬件编译，显著降低领域特定编译器的构建成本，促进现有编译器的连接，同时提供扩展和演进的研究工具。

Feb, 2020

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

该研究文章提出了一种名为 LaSynth 的基于机器学习的程序合成方法，它能够学习潜在的嵌入式表示方法，进而提高下一个输入标记的预测性能，并通过生成随机的程序和 IO 对来进行训练以合成类似于人类编写的简洁 C 代码。该方法表现优异，在简单 C 代码的生成上达到了 55.2% 的准确率，并显著优于现有的无执行器方法。

Jun, 2021

高级综合（HLS）是将高级语言中的软件程序自动转换为低级硬件描述的过程。本文提出了一种超级优化方法，通过使用 e-graph 重写技术自动将任意软件程序改写为高效的 HLS 代码，以生成优化的硬件设计。通过对开源基准测试的一组实验，我们展示了 SEER 在提高性能的同时仅占用 1.4 倍的面积，通过英特尔提供的案例研究，SEER 证明了其能够超越硬件专家手动优化设计的潜力。

Aug, 2023

本论文提出了一个用自然语言输入构造程序合成器的框架，其使用 NLP 特征和关键词编程翻译的排名学习最优权重和分类器来代替学习并使用各种领域特定语言，可以用于编辑、智能教育系统和飞行信息查询等多个领域。通过 1200 多个英语说明，各合成器为 80％和 90％的说明将期望的程序排名为最好的一个和三个。

Sep, 2015

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

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

Forklift 是第一个使用基于令牌级别的编码器 - 解码器 Transformer 来学习将汇编代码翻译成 LLVM IR 的神经解析器，通过微调汇编编码器和冻结 IR 解码器，提高整体准确性和效率，使其能够支持新的 ISA。

Apr, 2024

通过使用抽象语义和基于树自动机的迭代精化方法，我们提出了一种高效的程式合成方法，并在字符串和矩阵转换领域中取得了比现有技术更好的结果。

Oct, 2017