Оптимизация на производителността на хибридни GNN-LLM изчислителни конвейери за сравнение на код
DOI :
https://doi.org/10.55630/mem.2026.55.098-106Ключови думи :
оптимизация на производителността, GNN, LLM, сравнение на код, паралелна обработка, кеширане, семантична нормализацияАбстракт
Настоящото изследване предлага набор от техники за оптимизиране на производителността на хибридни конвейери, комбиниращи големи езикови модели (LLMs) и графови невронни мрежи (GNN) за сравнение на фрагменти от програмен код. Въз основа на предишна работа [1] по семантична нормализация и графови вграждания, където основните проблемни места бяха забелязани в изчислителния процес и предлагат решения за паралелна обработка, динамично пропускане на излишни операции, кеширане и оптимизация на графовото представяне. Статията допринася за практическата реализация на семантични системи за сравнение на код при реални условия.
Литература (библиография)
Damyanov D., Semantic normalization on graph models searching structure matchings in code, Mathematics and Education in Mathematics (to appear).
Donchev, I., An alternative to virtual functions in modern C++. Application in training, Mathematics, Computer Science and Education, Vol. 8, Issue 2, (2025), pp. 144-159
Dong X., Gu Y., Sun Y., Wang L., PASGAL: Parallel And Scalable Graph Algorithm Library, (2024), https://doi.org/10.48550/arXiv.2404.17101
Gale T., Elsen E., Hooker S., The State of Sparsity in Deep Neural Networks, (2019), DOI: 10.48550/arXiv.1902.09574
Hoefler T., Alistarh D., Dryden T., Peste A., Sparsity in Deep Learning: Pruning and growth for efficient, Journal of Machine Learning Research 23, (2021), pp. 1-124, DOI: 10.48550/arXiv.2102.00554
Holm M., Scientific Computing on Hybrid Architectures, Department of Information Technology, Uppsala University, ISSN 1404-5117, (2013), Sweden
Karbowski A., Amdahl’s and Gustafson-Barsis laws revisited, Pomiary Automatyka Robotyka, vol. 29(4), (2025), pp. 35-38, https://doi.org/10.48550/arXiv.0809.1177
Pugacheva D., Ermakov A., Lyskov I., Igor M., Zotov Y., Enhancing GNNs Performance on Combinatorial Optimization by Recurrent Feature Update, Cornell University, (2024), DOI: 10.48550/arXiv.2407.16468.
Petrov M., Dochkova J., Comparison of the PCA and FLD Approaches in Glial Tumors Classification Systems, Baltic J. Modern Computing, Vol. 13, No. 1, (2025), pp. 221-232, https://doi.org/10.22364/bjmc.2025.13.1.12
Ramisetty S., Chandrasekaran T., Eruvaram V. K., Pulicharla M. R., Optimizing Real-Time Data Pipelines for Machine Learning: A Comparative Study of Stream Processing Architectures, World Journal of Advanced Research and Reviews, (2024), pp.1653–1660, DOI: 10.30574/wjarr.2024.23.3.2818
Yang C., Buluc A., Owens J., GraphBLAST: A High-Performance Linear Algebra-based Graph Framework on the GPU, ACM Transactions on Mathematical Software (TOMS), Volume 48, Issue 1, (2022), pp.1-51, https://doi.org/10.1145/3466795
Yin L., Li G., Fang M., Shen L., Huang T., Wang Z., Menkovski V., Ma X., Pechenizkiy M., Liu S., Dynamic Sparsity Is Channel-Level Sparsity Learner, 37th Conference on Neural Information Processing Systems NeurIPS, (2023), pp. 67993 – 68012, https://doi.org/10.48550/arXiv.2305.19454
