MIT打造，准确率是传统方法5倍

，错误率仅为10%。

性能是传统方法的5倍，英特尔的2倍。

整个过程都是自动化的，不需要人为干预，就能够快速分析数十万或数百万个基本块。

并且通用，它可以快速学习代码在任何新的芯片架构的性能速度，无论是机器学习炼丹，还是加密技术上链、还是编译器优化等等，都能hold住。

研究人员分享了这样的一个使用场景：

如果你想在一个新的芯片架构上训练一个模型，比如谷歌的TPU，你只需要从这个架构中收集数据，经过分析器运行后，去训练Ithemal，你可以得到一个可以预测其性能的模型。”

对于充分发挥芯片性能，让代码运行更有效率，这是具有突破性意义的一项进展。

基于神经网络，避开“盲人摸象”

通常情况下，为了让代码能够在芯片上高效地运行，开发者会结合编译器设计一个性能模型，模拟代码在芯片架构上的运行情况。

开发者会根据这些信息进一步优化代码，进一步提高代码运行效率，突破芯片的性能瓶颈。

这种思路虽然没什么问题，麻烦出在如何设计性能模型上，传统的方法是一小部分专家来人工设计。

面对错综复杂的芯片架构，这多少有些“盲人摸象”的感觉，就英特尔一家，描述其芯片架构的文档， 多达3000页。

而且这些内容也不一定完整，考虑到商业竞争以及技术保密上的考虑，英特尔也会去刻意忽略一些内容，这无疑又加大了困难——盲人摸到的象，可能缺胳膊少腿。

（编辑：宣城站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!