Notice bibliographique
Résumé
Multicore computers today are ubiquitous, from large distributed systems to desktops and mobile phones. Their complex memory architecture enables fast and efficient execution when used correctly. Many efforts have been invested in making the task of taking advantage of these architectures easier. Among them, the development of optimizing and parallelizing compilers as well as frameworks that provide skeletons for parallelism have abstracted the low-level details of the implementation and the optimization process. Techniques have been developed to optimize the efficiency of algorithms that fit particular skeletons, with one of the most commonly used of these being divide-and-conquer. However, the programmer still has to come up with the divide-and-conquer algorithm that fits such skeletons, often with an error-prone and tedious process. This research work aims at providing automated techniques to bridge the gap in the automated optimization process. Given an input program, our goal is to synthesize an equivalent divide-and-conquer implementation, which can then be optimized using the wealth of techniques available. The methods developed should be implementable in a practical tool leveraging the recent advances in program synthesis, but they should also act as a thinking tool for programmers when the solvers fail. This dissertation proposes methodologies to split the task of synthesizing a divide-and-conquer program into smaller but more tractable tasks. To solve these tasks, we propose both new deductive approaches to synthesize new functionality and an efficient use of existing synthesis methods. The combination of the methodologies and the synthesis techniques allows us to design a fully automated process, implemented in a tool Parsynt, which succeeds in synthesizing highly non-trivial divide-and-conquer algorithms from simple functions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».