SOLAR：基于AI的光速性能分析框架
SOLAR是一个自动化框架，能够从PyTorch和JAX源代码中推导出经过验证的光速（SOL）性能界限。它结合了生成式大语言模型和确定性组件，提供未融合、融合及缓存感知的SOL界限，并支持多保真度分析。在KernelBench、JAX/Flax模型和机器人工作负载上的实验展示了其四项用例：多级净空分析、识别优化机会、跨平台探索以及逆屋顶线硬件配置。
在深度学习模型优化领域，一个核心问题始终困扰着研究者和工程师：当前模型在目标硬件上究竟能运行多快？这个速度距离理论极限还有多远？光速（Speed-of-Light, SOL）分析通过计算工作负载在给定架构上的理论最小执行时间来回答这些问题，是硬件、软件和算法优化的基石。然而，传统的SOL界限推导过程高度依赖手工操作，不仅容易出错，而且与快速迭代的模型开发流程严重脱节。为了解决这一长期存在的痛点，来自学界的研究团队提出了SOLAR（Speed-of-Light Analysis Runner）框架，这是一个完全自动化的系统，能够直接从PyTorch和JAX源代码中推导出经过严格验证的SOL性能界限。
SOLAR的创新之处在于其混合流程，它将生成式人工智能与确定性方法巧妙结合。首先，系统利用一个大语言模型（LLM）前端将任意源程序翻译为可执行的仿射循环中间表示（Affine Loop IR），并通过输出比对的零违规验证机制确保转换的准确性。随后，一个确定性流程将该中间表示提升为爱因斯坦求和图（einsum graph），最终由分析后端计算出未融合、融合以及缓存感知等多层次的SOL界限。这种设计不仅覆盖了广泛的算子和编程语言，还提供了多保真度分析能力，能够在不同抽象级别上收紧界限，从而揭示更深层的优化机会。
研究团队在多个主流基准上对SOLAR进行了全面评估，包括KernelBench、JAX/Flax模型以及机器人工作负载。实验结果表明，SOLAR生成的界限在所有测试中均未出现违规，且多保真度分析有效识别了代码中的性能瓶颈。具体而言，框架展示了四个关键用例：在不同保真度级别上进行净空分析（headroom analysis），帮助开发者了解优化空间；自动识别潜在的优化机会；跨平台探索不同硬件上的性能表现；以及通过逆屋顶线（inverse-roofline）分析指导硬件资源配置。这些能力将手动、易错的分析过程转变为自动化、可重复的流水线。
SOLAR的发布标志着性能分析自动化迈出了重要一步。通过消除手动推导中的不确定性和延迟，该框架使研究者和工程师能够更快速地评估优化效果，更明智地分配硬件资源，从而加速深度学习模型的部署与迭代。论文的完整细节已公布于arXiv（编号2606.26383），相关代码与数据集预计将在未来开源，为社区提供可复用的工具。