基于CHEF-FP的快速自动浮点误差分析

随着我们达到摩尔定律的极限，研究人员正在探索不同的范式以实现前所未有的性能。近似计算（AC）依赖于应用容忍结果中某些误差以用精度换取性能的能力，已显示出显著前景。尽管AC在机器学习等领域取得成功，但由于对精度的严格要求，其在高性能计算（HPC）中的接受度有限。我们需要工具和技术来识别适于近似的代码区域及其对应用输出质量的影响，以引导开发者采用选择性近似。为此，我们提出CHEF-FP，一种灵活、可扩展且易用的基于自动微分（AD）的源代码转换工具，用于分析HPC应用中的近似误差。CHEF-FP使用Clad（一个构建为Clang编译器插件并基于LLVM编译器基础设施的高效AD工具）作为后端，并利用其AD能力评估C++代码中的近似误差。CHEF-FP在源代码层面工作，将误差估计代码注入生成的伴随函数中。这使得误差估计代码经历编译器优化，从而改善分析时间并减少内存使用。我们还提供了对基于源代码转换的AD工具的理论和架构增强，以执行浮点（FP）误差分析。本文主要关注分析由混合精度AC技术引入的误差。我们还通过在不使用近似函数的代码上评估工具，展示了我们的工具在估计其他类型误差方面的适用性。此外，我们展示了由于能够直接生成并将近似误差估计代码插入导数源代码，CHEF-FP在分析时间上相对于现有最先进工具所实现的加速。