{"id":108413,"date":"2023-05-08T12:48:42","date_gmt":"2023-05-08T10:48:43","guid":{"rendered":"https:\/\/prohoster.info\/?p=108413"},"modified":"2023-05-08T16:10:08","modified_gmt":"2023-05-08T14:10:08","slug":"sozdatel-llvm-razvivaet-novyj-yazyk-programmirovaniya-mojo","status":"publish","type":"post","link":"https:\/\/prohoster.info\/it\/blog\/novosti-interneta\/sozdatel-llvm-razvivaet-novyj-yazyk-programmirovaniya-mojo","title":{"rendered":"Il creatore di LLVM sviluppa un nuovo linguaggio di programmazione Mojo","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Chris Lattner, fondatore e architetto principale di LLVM, nonch\u00e9 creatore del linguaggio di programmazione Swift, insieme a Tim Davis, ex responsabile dei progetti AI di Google come TensorFlow e JAX, hanno presentato un nuovo linguaggio di programmazione chiamato Mojo. Questo linguaggio combina la facilit\u00e0 d'uso per lo sviluppo di ricerca e la rapida prototipazione con la capacit\u00e0 di creare prodotti finali ad alte prestazioni. Questo \u00e8 possibile grazie all'uso della sintassi familiare del linguaggio Python, e alla possibilit\u00e0 di compilare in codice macchina, meccanismi per una gestione sicura della memoria e l'uso di strumenti per l'accelerazione hardware dei calcoli. <\/p>\n
Il progetto \u00e8 focalizzato sull'uso per lo sviluppo nel campo del machine learning, ma si presenta anche come un linguaggio di programmazione generico, che estende le capacit\u00e0 di Python con strumenti di programmazione di sistema, adatto per una vasta gamma di compiti. Ad esempio, il linguaggio pu\u00f2 essere utilizzato in ambiti come il calcolo ad alte prestazioni, l'elaborazione e la trasformazione dei dati. Una caratteristica interessante di Mojo \u00e8 la possibilit\u00e0 di utilizzare un'emoji «🔥» come estensione per i file di codice (ad esempio, «helloworld.🔥»), oltre all'estensione testuale «.mojo». <\/p>\n
Attualmente, il linguaggio \u00e8 in fase di intenso sviluppo e viene offerto solo un'interfaccia online per i test. Le versioni autonome per l'esecuzione su sistemi locali sono promesse per essere pubblicate in seguito, dopo aver ricevuto feedback sul funzionamento dell'ambiente web interattivo. I codici sorgenti del compilatore, JIT e altre componenti correlate al progetto saranno resi disponibili dopo la progettazione dell'architettura interna (il modello di sviluppo del prototipo operativo a porte chiuse ricorda le fasi iniziali di sviluppo di LLVM, Clang e Swift). Poich\u00e9 la sintassi di Mojo \u00e8 basata su Python e il sistema di tipi \u00e8 simile a C\/C++, in futuro si prevede di sviluppare strumenti per semplificare la traduzione di progetti esistenti scritti in C\/C++ e Python, nonch\u00e9 per lo sviluppo di progetti ibridi che combinano codice in Python e Mojo. <\/p>\n
Il progetto \u00e8 progettato per sfruttare le risorse hardware disponibili dei sistemi eterogenei per le computazioni. Ad esempio, per eseguire applicazioni scritte in Mojo e per parallelizzare i calcoli, possono essere utilizzati GPU, acceleratori specializzati per l'apprendimento automatico e istruzioni SIMD (Single Instruction, Multiple Data). Come motivo per lo sviluppo di un sottoinsieme separato del linguaggio Python invece di lavorare sull'ottimizzazione dell'attuale CPython, viene citata la focalizzazione sulla compilazione, l'integrazione delle capacit\u00e0 di programmazione di sistema e l'adozione di un'architettura interna fondamentalmente diversa che consente di eseguire codice su GPU e vari acceleratori hardware. Allo stesso tempo, gli sviluppatori di Mojo intendono mantenere, per quanto possibile, la compatibilit\u00e0 con CPython. <\/p>\n
Mojo pu\u00f2 essere utilizzato sia in modalit\u00e0 interpretativa con l'uso di JIT, sia per la compilazione in file eseguibili (AOT, ahead-of-time). Il compilatore include tecnologie moderne per l'ottimizzazione automatica, caching e compilazione distribuita. I codici sorgenti in Mojo vengono trasformati in un codice intermedio a basso livello MLIR (Multi-Level Intermediate Representation), sviluppato dal progetto LLVM e che offre ulteriori possibilit\u00e0 di ottimizzazione per l'elaborazione dei grafi di flusso di dati. Il compilatore consente l'uso di vari backend per la generazione di codice macchina che supportano MLIR. <\/p>\n
L'uso di meccanismi hardware aggiuntivi per accelerare i calcoli consente di ottenere prestazioni che, durante i calcoli intensivi, superano quelle delle applicazioni in C\/C++. Ad esempio, durante il test di un'applicazione per generare una serie di Mandelbrot, l'applicazione compilata in Mojo eseguita nel cloud AWS (r7iz.metal-16xl) si \u00e8 rivelata 6 volte pi\u00f9 veloce dell'implementazione in C++ (0,03 secondi contro 0,20 secondi), e 35.000 volte pi\u00f9 veloce dell'applicazione in Python utilizzando il CPython 3.10.9 (0,03 secondi contro 1027 secondi) e 1500 volte pi\u00f9 veloce utilizzando PYPY (0,03 secondi contro 46,1 secondi). <\/p>\n
Nella valutazione delle prestazioni nel campo delle soluzioni di machine learning, il stack AI Modular Inference Engine, scritto in Mojo, ha dimostrato di essere fino a 3 volte pi\u00f9 veloce rispetto alla soluzione basata sulla libreria TensorFlow su un sistema con processore Intel per l'elaborazione di modelli linguistici, 6.4 volte pi\u00f9 veloce nell'esecuzione di modelli di raccomandazione e 2.1 volte pi\u00f9 veloce nell'elaborazione di modelli per la visualizzazione delle informazioni. Utilizzando processori AMD, il vantaggio con Mojo \u00e8 stato rispettivamente di 3.2, 5 e 2.2 volte, mentre con processori ARM - 5.3, 7.5 e 1.7 volte. La soluzione basata su PyTorch ha avuto prestazioni inferiori rispetto a Mojo, risultando 1.4, 1.1 e 1.5 volte pi\u00f9 lenta su CPU Intel, 2.1, 1.2 e 1.5 volte su CPU AMD e 4, 4.3 e 1.3 volte su CPU ARM.
<\/center> <\/p>\n
Il linguaggio supporta la tipizzazione statica e strumenti per la gestione sicura della memoria a basso livello, simile alle capacit\u00e0 del linguaggio Rust, come il tracciamento della durata delle referenze e il controllo del prestito delle variabili (borrow checker). Oltre agli strumenti per una gestione sicura dei puntatori, il linguaggio offre la possibilit\u00e0 di operazioni a basso livello, come l'accesso diretto alla memoria in modalit\u00e0 unsafe usando il tipo Pointer, l'invocazione di singole istruzioni SIMD o l'accesso a estensioni hardware come TensorCores e AMX.
<\/center> <\/p>\n
Per semplificare la separazione tra codice Python classico e ottimizzato per funzioni con dichiarazione esplicita dei tipi per tutte le variabili, \u00e8 stato proposto di utilizzare una parola chiave separata «fn» invece di «def». Allo stesso modo, per le classi, quando \u00e8 necessaria la pacchettizzazione statica dei dati in memoria durante la compilazione (come in C), si pu\u00f2 utilizzare il tipo «struct» invece di «class». \u00c8 inoltre possibile importare facilmente moduli in linguaggi C\/C++, ad esempio, per importare la funzione cos dalla libreria math, si pu\u00f2 scrivere «from «math.h» import cos». \n Fonte: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"
![\"Il](\"\/wp-content\/uploads\/2023\/05\/df2598980ce4ed179ec3042d500235db.jpg\")
<\/center> <\/p>\n![\"Il](\"\/wp-content\/uploads\/2023\/05\/000b92c5bbb54eec64649b30a434be6d.jpg\")
<\/center> <\/p>\n