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

本研究提出一个新的领域特定嵌入式语言（DSEL），专门用于软件定义无线电（SDR），它允许构建高效的软件数字通信系统，可以利用现代处理器架构的并行性，提取数字通信系统的时间和空间并行性，以实现全数字卫星电视广播标准 (DVB-S2) 的接受和发射。

Jun, 2022

本文介绍了基于MLIR的FFTc语言，旨在为DFT HPC计算提供更好的性能和计算效率。

Jul, 2022

本文提出了MLGOPerf框架，该框架可利用LLVM的ML-Inliner来优化性能，并通过副模型生成用于训练强化学习主模型的奖励，实现快速训练的流程。实验结果表明，相对于LLVM的优化，该方法在SPEC CPU2006和Cbench基准测试中可以实现高达1.8%和2.2%的性能提升。

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

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

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

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

ACPO是一个提供给LLVM的新框架，用于通过机器学习模型进行编译器驱动的程序优化。实验证明，ACPO在Polybench、Coral-2、CoreMark和Graph-500上相比于LLVM的O3优化，Loop Unroll模型平均能提高4%和3%，Inliner模型能提高4.5%和2.4%。

Dec, 2023

提出了一种超轻量级的差分DSP (DDSP) vocoder，该vocoder使用了一个经过联合优化的声学模型和DSP vocoder，学习过程中不需要提取声道的光谱特征，实现了与神经vocoder相当的音频质量，同时作为一个DSP vocoder非常高效。在2GHz的Intel Xeon CPU上单线程运行时，无需任何硬件特定优化，C++实现的FLOPS达到15 MFLOPS，相对于MB-MelGAN的FLOPS，高出340倍，仅需0.003的vocoder-only RTF和0.044的总RTF。

Jan, 2024