এলএলভিএম স্রষ্টা নতুন প্রোগ্রামিং ভাষা মোজো বিকাশ করেছেন

এলএলভিএম (LLVM)-এর প্রতিষ্ঠাতা ও প্রধান আর্কিটেক্ট এবং সুইফট (Swift) প্রোগ্রামিং ভাষার স্রষ্টা ক্রিস ল্যাটনার এবং গুগলের টেনসরফ্লো (Tensorflow) ও জ্যাক্স (JAX)-এর মতো এআই (AI) প্রকল্পগুলোর প্রাক্তন প্রধান টিম ডেভিস, মোজো (Mojo) নামে একটি নতুন প্রোগ্রামিং ভাষা উন্মোচন করেছেন। এই ভাষাটি গবেষণা ও দ্রুত প্রোটোটাইপিংয়ের জন্য ব্যবহারের সহজতার সাথে উচ্চ-ক্ষমতাসম্পন্ন চূড়ান্ত পণ্য তৈরির উপযুক্ততাকে একত্রিত করে। এই সহজ ব্যবহারটি পাইথনের (Python) পরিচিত সিনট্যাক্সের মাধ্যমে অর্জন করা হয়েছে, এবং উচ্চ-ক্ষমতাসম্পন্ন পণ্যটি তৈরির উপযোগিতা নেটিভ কম্পাইলেশন, মেমরি-সেফটি মেকানিজম ও হার্ডওয়্যার অ্যাক্সিলারেশনের মাধ্যমে সম্ভব হয়েছে।

প্রকল্পটি মেশিন লার্নিং ডেভেলপমেন্টের উপর আলোকপাত করে, তবে এটিকে একটি সাধারণ-উদ্দেশ্যমূলক ভাষা হিসেবেও উপস্থাপন করা হয় যা পাইথনকে সিস্টেমস প্রোগ্রামিং সক্ষমতা দিয়ে প্রসারিত করে এবং বিস্তৃত পরিসরের কাজের জন্য উপযুক্ত। উদাহরণস্বরূপ, এই ভাষাটি হাই-পারফরম্যান্স কম্পিউটিং এবং ডেটা প্রসেসিং ও ট্রান্সফরমেশনের মতো ক্ষেত্রে প্রয়োগযোগ্য। মোজোর একটি আকর্ষণীয় বৈশিষ্ট্য হলো, টেক্সট এক্সটেনশন ".mojo"-এর পাশাপাশি কোড ফাইলের এক্সটেনশন হিসেবে ইমোজি প্রতীক "🔥" (যেমন, "helloworld.🔥") নির্দিষ্ট করার ক্ষমতা।

ভাষাটির বর্তমানে নিবিড় উন্নয়ন চলছে, এবং পরীক্ষার জন্য শুধুমাত্র একটি অনলাইন ইন্টারফেস উপলব্ধ আছে। ইন্টারেক্টিভ ওয়েব পরিবেশের উপর মতামত পাওয়ার পর, স্থানীয় সিস্টেমে চালানোর জন্য স্বতন্ত্র বিল্ডগুলো পরবর্তীতে প্রকাশ করার প্রতিশ্রুতি দেওয়া হয়েছে। অভ্যন্তরীণ আর্কিটেকচার সম্পন্ন হওয়ার পর কম্পাইলার, JIT এবং অন্যান্য সম্পর্কিত উন্নয়নের সোর্স কোড ওপেন সোর্স করার পরিকল্পনা রয়েছে (একটি কার্যকরী প্রোটোটাইপের জন্য এই গোপনীয় উন্নয়ন মডেলটি LLVM, Clang, এবং Swift-এর প্রাথমিক উন্নয়ন পর্বের কথা মনে করিয়ে দেয়)। যেহেতু Mojo-এর সিনট্যাক্স Python-এর উপর ভিত্তি করে তৈরি এবং এর টাইপ সিস্টেম C/C++-এর অনুরূপ, তাই ভবিষ্যতের পরিকল্পনাগুলোর মধ্যে রয়েছে বিদ্যমান C/C++ এবং Python প্রজেক্টগুলোকে Mojo-তে স্থানান্তর সহজ করার জন্য টুলিং তৈরি করা, এবং সেইসাথে Python ও Mojo কোডকে একত্রিত করে হাইব্রিড প্রজেক্টের উন্নয়ন সহজতর করা।

প্রকল্পটি গণনার জন্য ভিন্নধর্মী সিস্টেমের বিদ্যমান হার্ডওয়্যার রিসোর্সকে কাজে লাগানোর উদ্দেশ্যে ডিজাইন করা হয়েছে। উদাহরণস্বরূপ, মোজো অ্যাপ্লিকেশন চালাতে এবং গণনাকে সমান্তরাল করতে জিপিইউ (GPU), বিশেষায়িত মেশিন লার্নিং অ্যাক্সেলারেটর এবং সিঙ্গেল-ইনস্ট্রাকশন ভেক্টর প্রসেসর (SIMD) ব্যবহার করা যেতে পারে। অপটিমাইজেশনের জন্য বিদ্যমান CPython-এর উপর নির্ভর না করে একটি পৃথক পাইথন সাবসেট তৈরির যেসব কারণ উল্লেখ করা হয়েছে, তার মধ্যে রয়েছে কম্পাইলেশনের উপর মনোযোগ, সিস্টেমস প্রোগ্রামিং সক্ষমতার একীকরণ এবং একটি সম্পূর্ণ ভিন্ন অভ্যন্তরীণ আর্কিটেকচারের ব্যবহার, যা জিপিইউ এবং বিভিন্ন হার্ডওয়্যার অ্যাক্সেলারেটরে কোড এক্সিকিউশন সক্ষম করে। একই সাথে, মোজো ডেভেলপাররা CPython-এর সাথে যথাসম্ভব সামঞ্জস্যতা বজায় রাখতে চান।

মোজো JIT (জাস্ট-ইন-টাইম) এবং অ্যাহেড-অফ-টাইম (AOT) উভয় মোডেই ব্যবহার করা যায়। এই কম্পাইলারে অটোমেটিক অপটিমাইজেশন, ক্যাশিং এবং ডিস্ট্রিবিউটেড কম্পাইলেশনের জন্য আধুনিক প্রযুক্তি অন্তর্ভুক্ত রয়েছে। মোজো সোর্স কোডকে লো-লেভেল ইন্টারমিডিয়েট কোডে (MLIR) রূপান্তর করা হয়, যা LLVM প্রজেক্ট দ্বারা তৈরি এবং ডেটাফ্লো গ্রাফ প্রসেসিং অপটিমাইজ করার জন্য অতিরিক্ত সক্ষমতা প্রদান করে। এই কম্পাইলার মেশিন কোড জেনারেশনের জন্য বিভিন্ন MLIR-সক্ষম ব্যাকএন্ড সমর্থন করে।

অতিরিক্ত হার্ডওয়্যার অ্যাক্সিলারেশন ব্যবহারের মাধ্যমে নিবিড় গণনার ক্ষেত্রে এমন কর্মক্ষমতা বৃদ্ধি সম্ভব হয় যা C/C++ অ্যাপ্লিকেশনকেও ছাড়িয়ে যায়। উদাহরণস্বরূপ, একটি ম্যান্ডেলব্রট সেট জেনারেশন অ্যাপ্লিকেশন পরীক্ষা করার সময়, কম্পাইল করা Mojo অ্যাপ্লিকেশনটি (r7iz.metal-16xl) AWS ক্লাউডে চালানোর ক্ষেত্রে C++ ইমপ্লিমেন্টেশনের চেয়ে ৬ গুণ দ্রুত ছিল (০.০৩ সেকেন্ড বনাম ০.২০ সেকেন্ড), স্ট্যান্ডার্ড CPython 3.10.9 ব্যবহার করার ক্ষেত্রে পাইথন অ্যাপ্লিকেশনের চেয়ে ৩৫,০০০ গুণ দ্রুত ছিল (০.০৩ সেকেন্ড বনাম ১০২৭ সেকেন্ড), এবং PYPY ব্যবহার করার ক্ষেত্রে ১৫০০ গুণ দ্রুত ছিল (০.০৩ সেকেন্ড বনাম ৪৬.১ সেকেন্ড)।

মেশিন লার্নিং পারফরম্যান্স মূল্যায়নের সময়, Mojo-তে লেখা Modular Inference Engine AI স্ট্যাকটি একটি TensorFlow-ভিত্তিক সমাধানের তুলনায় ইন্টেল প্রসেসরে ল্যাঙ্গুয়েজ মডেল প্রসেস করার ক্ষেত্রে ৩ গুণ, রিকমেন্ডেশন মডেল চালানোর ক্ষেত্রে ৬.৪ গুণ এবং ভিজ্যুয়াল ইনফরমেশন প্রসেসিং মডেল চালানোর ক্ষেত্রে ২.১ গুণ দ্রুততর ছিল। AMD প্রসেসরে Mojo যথাক্রমে ৩.২ গুণ, ৫ গুণ এবং ২.২ গুণ পারফরম্যান্স বৃদ্ধি অর্জন করেছে, অন্যদিকে ARM প্রসেসরে এটি যথাক্রমে ৫.৩ গুণ, ৭.৫ গুণ এবং ১.৭ গুণ পারফরম্যান্স বৃদ্ধি অর্জন করেছে। PyTorch-ভিত্তিক সমাধানটি ইন্টেল সিপিইউ-তে Mojo-র চেয়ে ১.৪ গুণ, ১.১ গুণ এবং ১.৫ গুণ, AMD সিপিইউ-তে ২.১ গুণ, ১.২ গুণ এবং ১.৫ গুণ, এবং ARM সিপিইউ-তে ৪ গুণ, ৪.৩ গুণ এবং ১.৩ গুণ পিছিয়ে ছিল।

এই ভাষাটি স্ট্যাটিক টাইপিং এবং রাস্ট (Rust)-এর মতো নিম্ন-স্তরের মেমরি সুরক্ষা বৈশিষ্ট্য, যেমন রেফারেন্স লাইফটাইম ট্র্যাকিং এবং একটি বরো চেকার সমর্থন করে। পয়েন্টার সুরক্ষা বৈশিষ্ট্য ছাড়াও, এই ভাষাটি আরও কিছু নিম্ন-স্তরের সক্ষমতা প্রদান করে, যেমন পয়েন্টার (Pointer) টাইপ ব্যবহার করে আনসেফ মোডে সরাসরি মেমরি অ্যাক্সেস, স্বতন্ত্র SIMD নির্দেশাবলী আহ্বান করা, এবং টেনসরকোর (TensorCores) ও এএমএক্স (AMX)-এর মতো হার্ডওয়্যার এক্সটেনশন অ্যাক্সেস করা।

যেসব ফাংশনের সমস্ত ভেরিয়েবলের টাইপ স্পষ্টভাবে সংজ্ঞায়িত করা থাকে, সেগুলোর ক্ষেত্রে ক্লাসিক এবং অপ্টিমাইজড পাইথন কোডের পৃথকীকরণ সহজ করার জন্য 'def'-এর পরিবর্তে একটি পৃথক 'fn' কীওয়ার্ড ব্যবহার করার প্রস্তাব করা হয়েছে। একইভাবে, ক্লাসের ক্ষেত্রে, যদি কম্পাইল টাইমে মেমরিতে স্ট্যাটিক ডেটা প্যাকিংয়ের প্রয়োজন হয় (যেমন C-তে), তবে 'class'-এর পরিবর্তে 'struct' টাইপ ব্যবহার করা যেতে পারে। C/C++ মডিউলগুলোর সহজ ইম্পোর্টও সম্ভব। উদাহরণস্বরূপ, math লাইব্রেরি থেকে cos ফাংশনটি ইম্পোর্ট করতে, আপনি "from "math.h" import cos" উল্লেখ করতে পারেন।

উত্স: opennet.ru