Mojo Programmiersprache Beta-Version 1.0

Представлен первый бета выпуск языка программирования Mojo 1.0, который ознаменовал стабилизацию языка и реализацию всех базовых возможностей. Выпуск оценивается как почти готовый к повсеместному использованию. Финальный релиз Mojo 1.0 ожидается в начале осени. Использование данной ветки позволит начать разрабатывать крупные проекты, не опасаясь появления в языке изменений, нарушающих совместимость.

В состав платформы включены компоненты, необходимые для разработки приложений на языке Mojo, включая компилятор, runtime, интерактивную REPL-оболочку для сборки и запуска программ, отладчик, дополнение к редактору кода Visual Studio Code (VS Code) с поддержкой автодополнения ввода, форматирования кода и подсветки синтаксиса, модуль для интеграции с Jupyter для сборки и запуска Mojo notebook. Исходный код стандартной библиотеки Mojo открыты под лицензией Apache 2.0 c исключениями от проекта LLVM, допускающими смешивание с кодом под лицензией GPLv2. Исходный код компилятора планируют открыть после завершения стабилизации внутренней архитектуры.

Die Sprache Mojo wird unter der Leitung von Chris Lattner entwickelt, dem Gründer und Chefarchitekten des LLVM-Projekts und Erfinder der Programmiersprache Swift. Die Syntax von Mojo basiert auf der Sprache Python und das Typsystem ähnelt C/C++. Das Projekt wird als Allzwecksprache präsentiert, die die Fähigkeiten der Python-Sprache um Systemprogrammiertools erweitert, für eine breite Palette von Aufgaben geeignet ist und Benutzerfreundlichkeit für Forschung und Entwicklung sowie schnelles Prototyping mit der Eignung für die Herstellung leistungsstarker Endprodukte kombiniert.

Einfachheit wird durch die Verwendung der vertrauten Python-Syntax erreicht und die Entwicklung von Endprodukten wird durch die Möglichkeit zur Kompilierung in Maschinencode, speichersichere Mechanismen und den Einsatz von Hardwarebeschleunigungstools erleichtert. Um eine hohe Leistung zu erreichen, wird die Parallelisierung von Berechnungen unter Verwendung aller im System verfügbaren Hardwareressourcen heterogener Systeme unterstützt, wie z. B. GPUs, spezialisierte Beschleuniger für maschinelles Lernen und Vektorprozessoranweisungen (SIMD). Bei intensiven Berechnungen ermöglicht die Parallelisierung und Nutzung aller Rechenressourcen eine höhere Leistung als bei C/C++-Anwendungen.

Die Sprache unterstützt statische Typisierung und speichersichere Low-Level-Funktionen, die an Rust erinnern, wie z. B. die Nachverfolgung der Referenzlebensdauer und die Ausleihprüfung. Gleichzeitig bietet die Sprache auch Möglichkeiten für Low-Level-Arbeiten, so ist es beispielsweise möglich, über den Pointer-Typ im unsicheren Modus direkt auf den Speicher zuzugreifen, einzelne SIMD-Anweisungen aufzurufen oder auf Hardware-Erweiterungen wie TensorCores und AMX zuzugreifen.

Mojo kann sowohl im Interpretationsmodus mit JIT als auch zur Kompilierung in ausführbare Dateien (AOT, Ahead-of-Time) verwendet werden. Der Compiler verfügt über integrierte moderne Technologien für automatische Optimierung, Caching und verteilte Kompilierung. Der Quellcode in der Mojo-Sprache wird in den vom LLVM-Projekt entwickelten Low-Level-Zwischencode MLIR (Multi-Level Intermediate Representation) konvertiert. Mit dem Compiler können Sie verschiedene Backends verwenden, die MLIR unterstützen, um Maschinencode zu generieren.

Среди изменений в Mojo 1.0.0b1:

• Ключевое слово «fn» объявлено устаревшим — для объявления функций следует использовать ключевое слово «def» (возможности «fn» и «def» объединены, и в «def» реализована семантика «fn» без генерации исключений).
• Унифицирована реализация замыканий (closure). Не учитывающие контекст замыкания (stateless closure) теперь автоматически преобразуются в функции верхнего уровня и могут использоваться как callback-вызовы в FFI (Foreign Function Interface). Добавлена поддержка захвата по ссылке (ref capture). При объявлении функций добавлен признак «thin» для объявления простого типа указателя на функцию без захвата состояния.
• Указатели с типом UnsafePointer теперь не могут принимать значение null по умолчанию, а для работы с null-указателями необходимо использовать «Optional[UnsafePointer[…]]», что позволяет исключить накладные расходы при работе с null-указателями и сохранить возможность безопасного применения в FFI.
• По умолчанию в коде для CPU в коллекциях включена проверка допустимых границ (на GPU проверка отключена для производительности, но может быть включена при сборке с «mojo build -D ASSERT=all»). Прекращена поддержка указания отрицательных значений в индексах (запрещено «x[-1]», но можно указывать «x[len(x)-1]»).
• Из стандартной библиотек удалён тип NDBuffer, вместо которого следует использовать TileTensor.
• Расширена поддержка работы с GPU через графический API Metal на системах Apple (например, появилась поддержка print() и матричных инструкций M5). Добавлена поддержка ускорителей AMD MI250X и NVIDIA B300.
• Идентификаторы примитивов GPU (индексы потоков и блоков) переведены на возвращение типа Int вместо UInt.
• Контекст CPU (‘DeviceContext(api=»cpu»)’) стал потокозависимым (stream-ordered). Для упорядоченного выполнения задач добавлены функции enqueue_cpu_function() и enqueue_cpu_range().
• В типах String и StringSlice добавлена поддержка графемных кластеров (Unicode UAX #29), позволяющая корректно вычислять длину и обрезать строки с emoji и комбинированных символов. Добавлены методы graphemes() и count_graphemes(), а также синтаксис слайсов «[grapheme=…]».
• Реализовано уточнение типов (Type Refinement) на этапе компиляции для автоматического сужения типов внутри выражений «where», «if» и «assert» (позволяет обойтись без явного указания trait_downcast).
• Предложен унифицированный API рефлексии, в котором предложена новая функция reflect[T](), возвращающая Reflected[T] и заменяющая семейство функций struct_field_* и старые методы get_type_name().

Одновременно сформирован выпуск движка MAX Framework 26.3, предлагающего платформу для разработок в области машинного обучения. MAX Framework дополняет инструментарий Mojo средствами для разработки и отладки приложений, использующих модели машинного обучения в различных форматах (TensorFlow, PyTorch, ONNX и т.п.). В новой версии MAX Framework добавлена возможность генерации видео, расширена поддержка работ с использованием нескольких GPU, значительно повышена производительность интерпретатора (некоторые операции стали выполняться быстрее в 10-20 раз).

Source: opennet.ru