Magellan：基于 AlphaEvolve 发现新型编译器优化启发式方法的自主系统
人工智能
2026-01-30 v1 机器学习
编程语言
摘要
现代编译器依赖于手工设计的启发式方法来指导优化 passes。这些人类设计的规则往往难以适应现代软件和硬件的复杂性，并带来高维护负担。为此，我们提出 Magellan，一个通过合成可执行 C++ 决策逻辑来演化编译器 pass 的智能体框架。Magellan 将 LLM 编码代理与进化搜索和自调优相结合，形成一个循环：生成、在用户提供的宏基准上评估、精炼，最终产生紧凑的启发式方法，直接集成到现有编译器中。在多个生产优化任务上，Magellan 发现的策略可匹配或超越专家基线。在 LLVM 函数内联优化中，Magellan 合成的新型启发式方法在二进制大小压缩和端到端性能方面均超越了数十年的人工工程。在寄存器分配任务中，它学习了一种简洁的活跃范围处理优先级规则，能够在大规模工作负载上匹配复杂的人工设计策略。我们也报告了在 XLA 问题上的初步结果，表明该方法超越 LLVM，所需的工程工作量更少。
引用
@article{arxiv.2601.21096,
title = {Magellan: Autonomous Discovery of Novel Compiler Optimization Heuristics with AlphaEvolve},
author = {Hongzheng Chen and Alexander Novikov and Ngân Vũ and Hanna Alam and Zhiru Zhang and Aiden Grossman and Mircea Trofin and Amir Yazdanbakhsh},
journal= {arXiv preprint arXiv:2601.21096},
year = {2026}
}
备注
Accepted to C4ML@CGO'26