Креаторот на LLVM развива нов програмски јазик Mojo

Крис Латнер, основач и главен архитект на LLVM и креатор на програмскиот јазик Swift, и Тим Дејвис, поранешен шеф на проектите за вештачка интелигенција на Google, како што се Tensorflow и JAX, воведоа нов програмски јазик, Mojo, кој комбинира леснотија на користење за развој на истражување и брзо создавање на прототипови со потенцијал за формулирање на крајни производи со високи перформанси. Првиот е постигнат преку употреба на познатата синтакса на јазикот Python, а вториот преку способноста за компајлирање во машински код, механизми за безбедност на меморија и употреба на алатки за хардверско забрзување.

Проектот е фокусиран на употреба за развој во областа на машинското учење, но е претставен како јазик за општа намена кој ги проширува можностите на Python со системски програмски алатки и е погоден за широк опсег на задачи. На пример, јазикот е применлив за области како што се пресметување со високи перформанси, обработка на податоци и трансформација. Интересна карактеристика на Mojo е можноста да се определи знакот за емотикони „🔥“ како наставка за датотеки со код (на пример, „helloworld.🔥“), покрај наставката за текст „.mojo“.

Во моментов, јазикот е во фаза на интензивен развој и само онлајн интерфејсот е понуден за тестирање. Одделни склопови за работа на локални системи се ветени дека ќе бидат објавени подоцна, откако ќе добијат повратни информации за работата на интерактивната веб-околина. Изворниот код за компајлерот, JIT и други случувања поврзани со проектот се планира да се отвори откако ќе заврши внатрешната архитектура (моделот за развој на работен прототип зад затворени врати потсетува на почетната фаза на развој на LLVM, Clang и Свифт). Бидејќи синтаксата Mojo се заснова на јазикот Python, а системот на типови е блиску до C/C++, во иднина планираат да развијат алатки за поедноставување на преводот на постоечките проекти напишани во C/C++ и Python на Mojo, како и да се развијат хибридни проекти кои комбинираат Python код и Mojo.

Проектот е дизајниран да ги вклучи достапните хардверски ресурси на хетерогени системи во извршувањето на пресметките. На пример, графичките процесори, специјализираните акцелератори за машинско учење и векторите за инструкции на процесорот (SIMD) може да се користат за извршување на апликациите на Mojo и паралелизирање на пресметките. Причините дадени за развивање на посебна подгрупа на јазикот Python наместо приклучување кон постоечката работа за оптимизација на CPython вклучуваат фокусирање на компилација, интеграција на способностите за програмирање на системот и употреба на фундаментално различна внатрешна архитектура која дозволува кодот да работи на графички процесори и различни хардверски акцелератори. Сепак, програмерите на Mojo имаат намера да останат компатибилни со CPython колку што е можно повеќе.

Mojo може да се користи и во режим на интерпретација користејќи JIT, и за компилација во извршни датотеки (AOT, предвреме). Компајлерот има вградени модерни технологии за автоматска оптимизација, кеширање и дистрибуирана компилација. Изворните текстови на јазикот Моџо се конвертираат во среден код на ниско ниво MLIR (Мулти-ниво на средно преставување), развиен од проектот LLVM и обезбедува дополнителни можности за оптимизирање на обработката на графикот на протокот на податоци. Компајлерот ви овозможува да користите различни позадини кои поддржуваат MLIR за да генерирате машински код.

Користењето на дополнителни хардверски механизми за забрзување на пресметките овозможува да се постигнат перформанси што се подобри од апликациите C/C++ за време на интензивните пресметки. На пример, при тестирање на апликација за генерирање на множеството Mandelbrot, компајлирана апликација на јазикот Mojo кога е извршена во облакот AWS (r7iz.metal-16xl) се покажа дека е 6 пати побрза од имплементацијата во C++ (0.03 сек. наспроти 0.20 сек.), а исто така 35 илјади пати побрзо од апликацијата Python кога се користи стандардниот CPython 3.10.9 (0.03 сек. наспроти 1027 сек.) и 1500 пати побрзо кога се користи PYPY (0.03 сек. наспроти 46.1 сек.). .

При проценка на перформансите на полето на решавање проблеми со машинско учење, модуларниот мотор за заклучување со вештачка интелигенција, напишан на јазикот Mojo, во споредба со решението базирано на библиотеката TensorFlow, беше 3 пати побрз кога обработуваше јазичен модел на систем со процесор Интел, 6.4 пати побрз при обработка на извршувањето на моделот за генерирање препораки и 2.1 пати побрзо при работа со модели за обработка на визуелни информации. При користење на AMD процесори, добивките при користење на Mojo беа 3.2, 5 и 2.2 пати, а при користење на ARM процесори - 5.3, 7.5 и 1.7 пати, соодветно. Решението засновано на PyTorch заостанува зад Mojo за 1.4, 1.1 и 1.5 пати на процесорите на Intel, 2.1, 1.2 и 1.5 пати на процесорите AMD и 4, 4.3 и 1.3 пати на процесорите на ARM.

Јазикот поддржува статичко пишување и функции за безбедност на меморија на ниско ниво, кои потсетуваат на Rust, како што се референтно следење доживотно и проверка на позајмици. Покрај можностите за безбедна работа со покажувачи, јазикот обезбедува и функции за работа на ниско ниво, на пример, директен пристап до меморијата во небезбеден режим користејќи го типот Покажувач, повикување поединечни SIMD инструкции или пристап до хардверски екстензии како што се TensorCores и AMX .

За да се поедностави одвојувањето на класичниот и оптимизираниот Python код за функции со експлицитни дефиниции за типови за сите променливи, се предлага да се користи посебен клучен збор „fn“ наместо „def“. Слично на класите, ако треба статички да пакувате податоци во меморијата за време на компилацијата (како во C), можете да го користите типот „struct“ наместо „class“. Исто така, можно е едноставно да се увезат модули на јазиците на C/C++, на пример, за увоз на функцијата cos од математичката библиотека, можете да наведете „од „math.h“ import cos“.

Извор: opennet.ru