Collective Mind 第二部分：迈向作为自然科学的性能与成本感知软件工程

如今，工程师常常不得不在甚至不知道软件最终将在众多手机、平板电脑、台式机、笔记本电脑、数据中心、超级计算机和云服务上运行于何种硬件的情况下开发软件。不幸的是，优化编译器已不再跟上计算机系统日益增加的复杂性，并可能产生严重性能低下的可执行代码，同时浪费昂贵的资源和能源。我们提出了一种实用且协作的解决方案，通过在任何软件片段周围包裹轻量级包装器（当存在多个实现或优化选择时）来解决此问题。这些包装器与公共的 Collective Mind 自动调优基础设施和知识库（c-mind.org/repo）相连，以跨众多现有硬件配置以及随机选择的优化持续监控这些片段（计算物种）的各种重要特征。类似于自然科学，我们现在可以持续跟踪获胜解决方案（针对给定硬件的优化），这些方案在帕累托前沿上最小化给定物种的计算的所有成本（执行时间、能耗、代码大小、故障、内存和存储占用、优化时间、错误、争用、不准确性等）以及任何意外行为。然后社区可以协作地对解决方案进行分类、修剪冗余项，并使用软件的各种特征、其输入（数据集）和所用硬件手动或利用强大的预测分析技术将它们关联起来。我们的方法随后可帮助创建一个大型、真实、多样、具代表性且持续演进的基准测试以及相关优化知识，同时逐步覆盖所有可能的软件和硬件，以便能够根据使用场景和需求预测最佳优化并改进编译器和硬件。