LLVM შემქმნელი ავითარებს პროგრამირების ახალ ენას Mojo

კრის ლატნერმა, LLVM-ის დამფუძნებელმა და მთავარმა არქიტექტორმა და Swift პროგრამირების ენის შემქმნელმა, და ტიმ დევისმა, Google AI პროექტების ყოფილმა ხელმძღვანელმა, როგორიცაა Tensorflow და JAX, წარმოადგინეს ახალი პროგრამირების ენა, Mojo, რომელიც აერთიანებს მარტივ გამოყენებას კვლევის განვითარებისა და განვითარებისთვის. სწრაფი პროტოტიპირება მაღალი ხარისხის საბოლოო პროდუქტების ფორმულირების პოტენციალით. პირველი მიიღწევა პითონის ენის ნაცნობი სინტაქსის გამოყენებით, ხოლო მეორე მანქანურ კოდში შედგენის უნარის, მეხსიერების უსაფრთხო მექანიზმებისა და ტექნიკის აჩქარების ხელსაწყოების გამოყენებით.

პროექტი ორიენტირებულია მანქანური სწავლების სფეროში განვითარებისთვის გამოყენებაზე, მაგრამ წარმოდგენილია როგორც ზოგადი დანიშნულების ენა, რომელიც აფართოებს პითონის შესაძლებლობებს სისტემური პროგრამირების ხელსაწყოებით და შესაფერისია ამოცანების ფართო სპექტრისთვის. მაგალითად, ენა გამოიყენება ისეთ სფეროებში, როგორიცაა მაღალი ხარისხის გამოთვლა, მონაცემთა დამუშავება და ტრანსფორმაცია. Mojo-ს საინტერესო მახასიათებელია ემოჯი სიმბოლოს „🔥“-ის, როგორც გაფართოების კოდის ფაილების (მაგალითად, „helloworld.🔥“) მითითების შესაძლებლობა, ტექსტის გაფართოების „.mojo“-ს გარდა.

ამჟამად ენა ინტენსიური განვითარების ეტაპზეა და ტესტირებისთვის მხოლოდ ონლაინ ინტერფეისია შემოთავაზებული. ლოკალურ სისტემებზე გასაშვებად ცალკეული ასამბლეები გვპირდებიან გამოქვეყნებას მოგვიანებით, ინტერაქტიული ვებ-გარემოს მუშაობის შესახებ გამოხმაურების მიღების შემდეგ. შემდგენელის, JIT-ის და პროექტთან დაკავშირებული სხვა განვითარების წყაროს კოდის გახსნა იგეგმება შიდა არქიტექტურის დასრულების შემდეგ (მუშა პროტოტიპის შემუშავების მოდელი დახურულ კარს მიღმა მოგვაგონებს LLVM, Clang და განვითარების საწყის ეტაპს. სვიფტი). ვინაიდან Mojo სინტაქსი ეფუძნება Python ენას და ტიპების სისტემა ახლოსაა C/C++-თან, მომავალში ისინი გეგმავენ შეიმუშაონ ინსტრუმენტები C/C++-ში და Python-ში დაწერილი არსებული პროექტების Mojo-ზე თარგმნის გასამარტივებლად, ასევე. ჰიბრიდული პროექტების შემუშავება, რომელიც აერთიანებს პითონის კოდს და მოჯოს.

პროექტი შექმნილია იმისთვის, რომ ჩართოს ჰეტეროგენული სისტემების არსებული ტექნიკის რესურსები გამოთვლების შესრულებაში. მაგალითად, GPU, სპეციალიზებული მანქანათმცოდნეობის ამაჩქარებლები და პროცესორის ინსტრუქციის ვექტორები (SIMD) შეიძლება გამოყენებულ იქნას Mojo აპლიკაციების გასაშვებად და გამოთვლების პარალელიზებისთვის. Python ენის ცალკეული ქვეჯგუფის შემუშავების მიზეზები, ვიდრე CPython-ის ოპტიმიზაციის არსებულ სამუშაოს შეუერთდეს, მოიცავს კომპილაციაზე ფოკუსირებას, სისტემის პროგრამირების შესაძლებლობების ინტეგრაციას და ფუნდამენტურად განსხვავებული შიდა არქიტექტურის გამოყენებას, რომელიც საშუალებას აძლევს კოდის გაშვებას GPU-ზე და სხვადასხვა. ტექნიკის ამაჩქარებლები. თუმცა, Mojo-ს დეველოპერები აპირებენ მაქსიმალურად დარჩეს თავსებადი CPython-თან.

Mojo შეიძლება გამოყენებულ იქნას როგორც ინტერპრეტაციის რეჟიმში JIT-ის გამოყენებით, ასევე შესრულებად ფაილებში კომპილაციისთვის (AOT, დროზე ადრე). შემდგენელს აქვს ჩაშენებული თანამედროვე ტექნოლოგიები ავტომატური ოპტიმიზაციის, ქეშირებისა და განაწილებული კომპილაციისთვის. წყარო ტექსტები Mojo ენაზე გარდაიქმნება დაბალი დონის შუალედურ კოდში MLIR (Multi-Level Intermediate Representation), რომელიც შემუშავებულია LLVM პროექტის მიერ და უზრუნველყოფს დამატებით შესაძლებლობებს მონაცემთა ნაკადის გრაფიკის დამუშავების ოპტიმიზაციისთვის. შემდგენელი გაძლევთ საშუალებას გამოიყენოთ სხვადასხვა backends, რომლებიც მხარს უჭერენ MLIR-ს მანქანის კოდის შესაქმნელად.

დამატებითი ტექნიკის მექანიზმების გამოყენება გამოთვლების დასაჩქარებლად შესაძლებელს ხდის ინტენსიური გამოთვლების დროს C/C++ აპლიკაციებზე აღმატებული შესრულების მიღწევას. მაგალითად, Mandelbrot-ის ნაკრების გენერირებისთვის აპლიკაციის ტესტირებისას, Mojo ენაზე შედგენილი აპლიკაცია AWS ღრუბელში (r7iz.metal-16xl) შესრულებისას აღმოჩნდა 6-ჯერ უფრო სწრაფი ვიდრე იმპლემენტაცია C++-ში (0.03 წმ. წინააღმდეგ 0.20 წმ.), და ასევე 35 ათასი ჯერ უფრო სწრაფი ვიდრე Python აპლიკაცია სტანდარტული CPython 3.10.9 (0.03 წმ. 1027 წმ.) გამოყენებისას და 1500-ჯერ უფრო სწრაფად PYPY-ის გამოყენებისას (0.03 წმ. 46.1 წმ.) .

მანქანური სწავლების პრობლემების გადაჭრის სფეროში მუშაობის შეფასებისას, AI სტატის მოდულური დასკვნის ძრავა, დაწერილი Mojo ენაზე, TensorFlow ბიბლიოთეკაზე დაფუძნებულ გამოსავალთან შედარებით, 3-ჯერ უფრო სწრაფი იყო სისტემაზე ენის მოდელის დამუშავებისას. Intel-ის პროცესორი, 6.4-ჯერ უფრო სწრაფი რეკომენდაციების გენერირების მოდელის შესრულებისას და 2.1-ჯერ უფრო სწრაფი ვიზუალური ინფორმაციის დამუშავების მოდელებთან მუშაობისას. AMD პროცესორების გამოყენებისას, Mojo-ს გამოყენებისას მოგება იყო 3.2, 5 და 2.2-ჯერ, ხოლო ARM პროცესორების გამოყენებისას - შესაბამისად 5.3, 7.5 და 1.7-ჯერ. PyTorch-ზე დაფუძნებული გადაწყვეტა ჩამორჩა Mojo-ს 1.4, 1.1 და 1.5-ჯერ Intel CPU-ებზე, 2.1, 1.2 და 1.5-ჯერ AMD CPU-ებზე და 4, 4.3 და 1.3-ჯერ ARM CPU-ებზე.

ენა მხარს უჭერს სტატიკური აკრეფის და დაბალი დონის მეხსიერების უსაფრთხო ფუნქციებს, რომლებიც მოგვაგონებს Rust-ს, როგორიცაა მითითების სიცოცხლის ხანგრძლივობა და სესხის შემოწმება. გარდა პოინტერებით უსაფრთხო მუშაობისთვის, ენა ასევე უზრუნველყოფს ფუნქციებს დაბალი დონის მუშაობისთვის, მაგალითად, მეხსიერებაზე პირდაპირი წვდომა არაუსაფრთხო რეჟიმში Pointer ტიპის გამოყენებით, ცალკეული SIMD ინსტრუქციების გამოძახება ან ტექნიკის გაფართოებებზე წვდომა, როგორიცაა TensorCores და AMX. .

კლასიკური და ოპტიმიზებული პითონის კოდის გამიჯვნის გასამარტივებლად ყველა ცვლადის აშკარა ტიპის განსაზღვრებით ფუნქციებისთვის, შემოთავაზებულია გამოიყენოთ ცალკე საკვანძო სიტყვა „fn“ „def“-ის ნაცვლად. ანალოგიურად კლასებისთვის, თუ კომპილაციის დროს გჭირდებათ მონაცემთა სტატიკურად შეფუთვა მეხსიერებაში (როგორც C-ში), შეგიძლიათ გამოიყენოთ "struct" ტიპი "კლასის" ნაცვლად. ასევე შესაძლებელია უბრალოდ მოდულების იმპორტი C/C++ ენებზე, მაგალითად, cos ფუნქციის იმპორტისთვის მათემატიკის ბიბლიოთეკიდან, შეგიძლიათ მიუთითოთ “from “math.h” import cos”.

წყარო: opennet.ru