Leveraging Large Language Models to Detect Missed Peephole Optimizations

文章总结与翻译

一、文章主要内容

本文聚焦编译器中的窥孔优化（Peephole Optimization）检测难题，提出了名为Lampo的自动化框架，旨在利用大语言模型（LLMs）的创造性探索能力与形式化验证工具的严谨性，高效发现编译器中未被挖掘的窥孔优化机会。

1. 研究背景与问题

窥孔优化通过替换程序中低效的短指令序列，可直接提升代码体积与性能，并为后续优化流程铺路，是编译器优化的关键技术。但现代指令集复杂多样，传统发现窥孔优化的方法存在明显局限：

• 人工检查：依赖领域专家，耗时费力且可扩展性差；
• 差异测试：仅能发现其他编译器已实现或特定场景下未达预期的优化，无法挖掘全新优化类别；
• 超级优化（如Souper）：计算成本高，仅支持部分指令集（如不支持内存、浮点或向量指令），处理代码规模有限。

2. Lampo框架核心设计

Lampo通过闭环反馈流程整合三大核心组件，解决LLMs生成结果不可靠与形式化验证缺乏创造性的矛盾：

1. 提取器（Extractor）：分析LLVM IR程序，从基本块中提取依赖指令序列，剔除冗余序列并排除已能被LLVM优化的序列，确保输入LLM的候选序列具备优化潜力；