MARC

 008260126s2024        us                              c    eng  d
■001000017360639
■00520260202105559
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265401670
■035    ▼a(MiAaPQ)AAI32315949
■035    ▼a(MiAaPQ)GeorgiaTech75269
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a001
■1001  ▼aYe,  Fangke.
■24510▼aLeveraging  Machine  Learning  for  Enhancing  Code  Performance  and  Programming  Productivity
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a145  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Sarkar,  Vivek.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aAs  hardware  performance  continues  to  improve  with  the  increase  of  hardware  complexity  and  diversification,  software  struggles  to  keep  up  and  fully  realize  these  performance  gains.  Only  a  handful  of  expert  programmers  can  harness  the  full  potential  of  modern  hardware  using  hardware-exposed  low-level  programming  primitives.  Meanwhile,  the  widespread  adoption  of  high-level  dynamically-typed  programming  languages  like  Python  and  JavaScript  provides  high  productivity  but  suffers  from  low  performance  due  to  the  lack  of  static  type  information  necessary  for  compiler  optimizations.  Therefore,  it  becomes  increasingly  difficult  to  enable  the  development  of  high-performance  programs  capable  of  utilizing  the  potential  performance  provided  by  evolving  hardware  while  maintaining  high  programming  productivity  for  mass  developers.This  thesis  proposes  the  use  of  machine  learning  to  enhance  both  programming  productivity  and  code  performance.  First,  we  present  a  neural  network  based  system  that  can  compute  code-semantics  similarity  in  C/C++  code,  with  the  goal  of  identifying  semantically  equivalent  high-performance  code  for  a  given  low-performance  input  code;  this  approach  incorporates  a  context-aware  semantics  structure  and  an  extensible  neural  code  similarity  scoring  algorithm.  Then,  we  show  how  a  graph-based  deep  learning  type  inference  method  can  be  used  to  infer  types  in  JavaScript  to  help  productivity;  our  approach  employs  multiple  graph  neural  network  models  and  a  novel  type  flow  graph  representation  to  infer  types  in  dynamically-typed  languages  without  manual  annotations.  Finally,  we  demonstrate  a  new  approach  to  concrete  type  inference  for  Python  programs,  enabling  ahead-of-time  code  optimization  for  dynamically-typed  languages  by  combining  machine  learning  and  SMT  solving  without  requiring  programmers  to  provide  any  type  annotation.
■590    ▼aSchool  code:  0078.
■650  4▼aSoftware
■650  4▼aSoftware  development
■650  4▼aDeep  learning
■650  4▼aSyntax
■650  4▼aConcrete
■650  4▼aNeural  networks
■650  4▼aProgrammers
■650  4▼aBenchmarks
■650  4▼aCodes
■650  4▼aPython
■650  4▼aLarge  language  models
■650  4▼aJavaScript
■650  4▼aSemantics
■690    ▼a0800
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360639▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books