Mojo dasturlash tilining beta-versiyasi 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.

Mojo tili LLVM loyihasi asoschisi va bosh arxitektori hamda Swift dasturlash tilini yaratuvchisi Kris Lattner boshchiligida ishlab chiqilmoqda. Mojo sintaksisi Python tiliga asoslangan va tip tizimi C/C++ ga yaqin. Loyiha Python imkoniyatlarini tizimli dasturlash imkoniyatlari bilan kengaytiruvchi umumiy maqsadli til sifatida e’tirof etiladi, keng ko‘lamli vazifalar uchun javob beradi va tadqiqotni ishlab chiqish va tezkor prototiplash uchun foydalanish qulayligi bilan yuqori samarali yakuniy mahsulotlarga moslikni birlashtiradi.

Oddiylikka tanish Python sintaksisidan foydalanish orqali erishiladi va yakuniy mahsulotlarni ishlab chiqishga mashina kodiga kompilyatsiya qilish, xotirani xavfsiz mexanizmlar va apparat tezlashtirish vositalaridan foydalanish yordam beradi. Yuqori samaradorlikka erishish uchun tizimda mavjud bo'lgan heterojen tizimlarning barcha apparat resurslari, masalan, GPU, mashinani o'rganish uchun maxsus tezlatgichlar va vektor protsessor ko'rsatmalari (SIMD) yordamida hisob-kitoblarni parallellashtirish qo'llab-quvvatlanadi. Intensiv hisob-kitoblar uchun barcha hisoblash resurslarini parallellashtirish va ulardan foydalanish C/C++ ilovalaridan yuqori samaradorlikka erishish imkonini beradi.

Til statik yozishni va Rust-ni eslatuvchi past darajadagi xotira xavfsizligini qo'llab-quvvatlaydi, masalan, havolalar muddatini kuzatish va qarzni tekshirish. Shu bilan birga, til past darajadagi ishlash uchun imkoniyatlarni ham taqdim etadi, masalan, Pointer turidan foydalangan holda xavfsiz rejimda xotiraga bevosita kirish, SIMD individual ko'rsatmalariga qo'ng'iroq qilish yoki TensorCores va AMX kabi apparat kengaytmalariga kirish mumkin.

Mojo JIT yordamida talqin qilish rejimida ham, bajariladigan fayllarga kompilyatsiya qilish uchun ham ishlatilishi mumkin (AOT, muddatidan oldin). Kompilyatorda avtomatik optimallashtirish, keshlash va taqsimlangan kompilyatsiya uchun o'rnatilgan zamonaviy texnologiyalar mavjud. Mojo tilidagi manba kodi LLVM loyihasi tomonidan ishlab chiqilgan past darajadagi oraliq kod MLIR (Multi-Level Intermediate Representation) ga aylantiriladi. Kompilyator mashina kodini yaratish uchun MLIR-ni qo'llab-quvvatlaydigan turli xil backendlardan foydalanishga imkon beradi.

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).

Manba: opennet.ru