Гарантированное предположение: подход на основе языкового моделирования для трансляции с CISC на RISC с гарантиями тестирования

Guaranteed Guess: A Language Modeling Approach for CISC-to-RISC Transpilation with Testing Guarantees

June 17, 2025

Авторы: Ahmed Heakl, Sarim Hashmi, Chaimaa Abi, Celine Lee, Abdulrahman Mahmoud

cs.AI

Аннотация

Аппаратная экосистема стремительно развивается, и всё больше внимания уделяется переводу низкоуровневых программ между различными наборами команд (ISA) быстрым, гибким и корректным способом для повышения переносимости и долговечности существующего кода. Особенно сложным классом этой задачи трансляции является перевод между сложными (CISC) и упрощёнными (RISC) аппаратными архитектурами из-за фундаментальных различий в сложности команд, моделях памяти и парадигмах выполнения. В данной работе мы представляем GG (Guaranteed Guess), конвейер трансляции, ориентированный на ISA, который сочетает мощь предобученных больших языковых моделей (LLM) с строгостью устоявшихся конструкций тестирования программного обеспечения. Наш метод генерирует кандидаты на перевод с использованием LLM из одной ISA в другую и встраивает такие переводы в рамки тестирования программного обеспечения для построения количественной уверенности в корректности перевода. Мы оцениваем наш подход GG на двух разнообразных наборах данных, обеспечиваем высокое покрытие кода (>98%) в модульных тестах и достигаем функциональной/семантической корректности 99% для программ HumanEval и 49% для программ BringupBench. Кроме того, мы сравниваем наш подход с передовым фреймворком Rosetta 2 на Apple Silicon, демонстрируя 1.73-кратное ускорение времени выполнения, 1.47-кратное улучшение энергоэффективности и 2.41-кратное снижение использования памяти для нашего транслированного кода, что подтверждает эффективность GG для реальных задач перевода CISC-to-RISC. Мы опубликуем наши коды, данные, модели и бенчмарки в открытом доступе, чтобы создать общую основу для исследований в области трансляции кода на уровне ISA.

English

The hardware ecosystem is rapidly evolving, with increasing interest in translating low-level programs across different instruction set architectures (ISAs) in a quick, flexible, and correct way to enhance the portability and longevity of existing code. A particularly challenging class of this transpilation problem is translating between complex- (CISC) and reduced- (RISC) hardware architectures, due to fundamental differences in instruction complexity, memory models, and execution paradigms. In this work, we introduce GG (Guaranteed Guess), an ISA-centric transpilation pipeline that combines the translation power of pre-trained large language models (LLMs) with the rigor of established software testing constructs. Our method generates candidate translations using an LLM from one ISA to another, and embeds such translations within a software-testing framework to build quantifiable confidence in the translation. We evaluate our GG approach over two diverse datasets, enforce high code coverage (>98%) across unit tests, and achieve functional/semantic correctness of 99% on HumanEval programs and 49% on BringupBench programs, respectively. Further, we compare our approach to the state-of-the-art Rosetta 2 framework on Apple Silicon, showcasing 1.73x faster runtime performance, 1.47x better energy efficiency, and 2.41x better memory usage for our transpiled code, demonstrating the effectiveness of GG for real-world CISC-to-RISC translation tasks. We will open-source our codes, data, models, and benchmarks to establish a common foundation for ISA-level code translation research.