麻省理工学院的研究人员发明了一种机器学习工具，可以预测计算机芯片执行各种应用程序代码的速度。
为了使代码尽可能快地运行，开发人员和编译器(将编程语言转换成机器可读代码的程序)通常使用性能模型，通过模拟给定的芯片架构来运行代码。
编译器使用这些信息来自动优化代码，开发人员使用这些信息来解决运行它的微处理器的性能瓶颈。
但是，机器码的性能模型是由相对较少的专家手写的，并且没有得到适当的验证。因此，模拟的性能度量常常偏离真实的结果。
在一系列的学术会议论文中，研究人员描述了一种新型的机器学习管道，它可以自动化这个过程，使其更容易、更快、更准确。
在6月份的国际机器学习会议上发表的一篇论文中，研究人员提出用Ithemal(一个神经网络模型，以“基本块”的形式训练标记数据)计算指令的基本片段，自动预测给定的芯片执行以前未见过的基本块需要多长时间。
结果表明，Ithemal比传统的手调模型执行更准确。
在他们的评估中，Ithemal预测英特尔芯片运行代码的速度将比英特尔自己建立的性能模型还要快。
最终，开发人员和编译人员可以使用该工具生成在越来越多的不同的“黑盒”芯片设计上运行得更快、更有效的代码。
在训练中，Ithemal模型自动分析数百万的基本块，以准确地了解不同的芯片架构将如何执行计算。
重要的是，Ithemal将原始文本作为输入，不需要手动向输入数据添加特性。在测试中，Ithemal可以被输入以前不可见的基本块和给定的芯片，并将生成一个数字，表明芯片执行代码的速度。
研究人员发现，与传统手工模型相比，Ithemal的准确率(即预测速度与实际速度之间的差异)降低了50%。
此外，在他们的下一篇论文中，他们展示了Ithemal的错误率是10%，而Intel的性能预测模型在跨越多个不同领域的各种基本块上的错误率是20%。
有了该工具，可以更容易地快速了解任何新芯片架构的性能速度。
接下来，研究人员正在研究使模型可解释的方法。机器学习在很大程度上是一个黑匣子，所以我们并不清楚为什么一个特定的模型会做出预测。
