LLVM Creator, 새로운 Mojo 프로그래밍 언어 개발

LLVM의 창립자이자 수석 설계자이자 Swift 프로그래밍 언어의 창시자인 Chris Lattner와 Tensorflow 및 JAX와 같은 Google AI 프로젝트의 전 책임자였던 Tim Davis는 R&D에 대한 사용 편의성과 신속한 프로토타이핑을 결합한 새로운 Mojo 프로그래밍 언어를 소개했습니다. 고성능 최종 제품에 대한 적합성. 첫 번째는 Python 언어의 친숙한 구문을 사용하여 달성되고, 두 번째는 기계어 코드로 컴파일하는 기능, 안전한 메모리 관리 메커니즘, 하드웨어 계산 가속을 위한 도구 사용을 통해 달성됩니다.

이 프로젝트는 기계 학습 개발을 위한 사용에 중점을 두고 있지만 시스템 프로그래밍으로 Python 언어의 기능을 확장하고 광범위한 작업에 적합한 범용 언어로 제시됩니다. 예를 들어, 이 언어는 고성능 컴퓨팅, 데이터 처리 및 변환과 같은 영역에 적용 가능합니다. Mojo의 흥미로운 기능은 텍스트 확장자 ".mojo" 외에 코드 파일의 확장자(예: "helloworld.🔥")로 이모티콘 기호 "🔥"를 지정하는 기능입니다.

현재 이 언어는 집중적으로 개발 중이며 테스트를 위해 온라인 인터페이스만 제공됩니다. 로컬 시스템에서 실행되는 별도의 어셈블리는 대화형 웹 환경 작업에 대한 피드백을 받은 후 나중에 게시될 예정입니다. 프로젝트와 관련된 컴파일러, JIT 및 기타 개발의 소스 코드는 내부 아키텍처 설계가 완료된 후 공개될 예정입니다. (밀폐된 작업 프로토타입의 개발 모델은 LLVM, Clang 개발 초기 단계와 유사합니다.) 그리고 스위프트). Mojo의 구문은 Python을 기반으로 하고 유형 시스템은 C/C++에 가깝기 때문에 앞으로 C/C++ 및 Python으로 작성된 기존 프로젝트를 Mojo로 쉽게 번역할 수 있는 툴킷을 개발할 계획입니다. Python 코드와 Mojo를 결합한 하이브리드 프로젝트입니다.

이 프로젝트는 시스템에서 사용 가능한 이기종 시스템의 하드웨어 리소스를 계산에 포함하도록 설계되었습니다. 예를 들어 GPU, 특수 기계 학습 가속기 및 SIMD(벡터 처리 명령)를 사용하여 Mojo 애플리케이션을 실행하고 계산을 병렬화할 수 있습니다. 기존 CPython의 최적화 작업에 합류하지 않고 Python 언어의 별도 하위 집합을 개발하는 이유는 컴파일 초점, 시스템 프로그래밍 기능 통합, 코드가 가능하도록 하는 근본적으로 다른 내부 아키텍처 사용 등으로 꼽힙니다. GPU 및 다양한 하드웨어 가속기에서 실행됩니다. 동시에 Mojo 개발자는 CPython과의 호환성을 최대한 고수할 계획입니다.

Mojo는 JIT 해석 모드와 실행 파일(AOT, 사전)로 컴파일하는 데 모두 사용할 수 있습니다. 컴파일러에는 자동 최적화, 캐싱 및 분산 컴파일을 위한 최신 기술이 내장되어 있습니다. Mojo 언어의 소스 텍스트는 LLVM 프로젝트에서 개발하고 데이터 흐름 그래프 처리를 최적화하기 위한 추가 기능을 제공하는 저수준 중간 코드 MLIR(Multi-Level Intermediate Representation)로 변환됩니다. 컴파일러를 사용하면 MLIR을 지원하는 다양한 백엔드를 사용하여 기계어 코드를 생성할 수 있습니다.

계산 속도를 높이기 위해 추가 하드웨어 메커니즘을 사용하면 집약적인 계산을 통해 C/C++ 애플리케이션을 능가하는 성능을 달성할 수 있습니다. 예를 들어 Mandelbrot 세트를 생성하기 위해 애플리케이션을 테스트할 때 컴파일된 Mojo 애플리케이션은 AWS 클라우드(r7iz.metal-16xl)에서 실행될 때 C ++ 구현보다 6배 빠릅니다(0.03초 대 0.20초). .) 뿐만 아니라 순정 CPython 35(3.10.9초 대 0.03초)를 사용하는 Python 애플리케이션보다 1027배 빠르고 PYPY를 사용하면 1500배 더 빠릅니다(0.03초 대 46.1초).

머신러닝 문제 해결 영역에서 성능을 평가한 결과, Mojo 언어로 작성된 Modular Inference Engine AI 스택은 TensorFlow 라이브러리 기반 솔루션과 비교하여 Intel이 탑재된 시스템에서 3배 빠른 것으로 나타났습니다. 언어 모델 처리 시 프로세서가 추천 생성 모델 실행 시 6.4배, 시각적 정보 처리 모델 작업 시 2.1배 더 빨라졌습니다. AMD 프로세서를 사용할 때 Mojo를 사용할 때의 이득은 3.2, 5, 2.2배, ARM 프로세서를 사용할 때의 이득은 각각 5.3, 7.5, 1.7배였습니다. PyTorch 기반 솔루션은 Mojo에 비해 Intel CPU에서는 1.4배, 1.1배, 1.5배, AMD CPU에서는 2.1배, 1.2배, 1.5배, ARM CPU에서는 4배, 4.3배, 1.3배 뒤처졌습니다.

이 언어는 참조 수명 추적 및 변수 차용 검사기(borrow checker)와 같은 Rust 기능을 연상시키는 정적 타이핑 및 저수준 메모리 안전 기능을 지원합니다. 포인터를 사용한 안전한 작업 수단 외에도 언어는 낮은 수준 작업을 위한 기능도 제공합니다. 예를 들어 포인터 유형을 사용하여 안전하지 않은 모드에서 메모리에 직접 액세스하거나 개별 SIMD 명령어를 호출하거나 하드웨어 확장에 액세스하는 것이 가능합니다. TensorCores 및 AMX로.

모든 변수에 대한 명시적인 유형 정의가 있는 함수에 대한 기존 Python 코드와 최적화된 Python 코드의 분리를 단순화하기 위해 "def" 대신 별도의 키워드 "fn"을 사용하는 것이 제안됩니다. 클래스의 경우에도 마찬가지로 C에서와 같이 컴파일 타임에 메모리에 데이터를 정적으로 압축해야 하는 경우 "class" 대신 "struct" 유형을 사용할 수 있습니다. 단순히 C/C++ 언어로 모듈을 가져오는 것도 가능합니다. 예를 들어 수학 라이브러리에서 cos 함수를 가져오려면 "from "math.h" import cos"를 지정할 수 있습니다.

출처 : opennet.ru