OpenXLA IREE中多输入矩阵乘法的泛化设计

背景与需求

在OpenXLA IREE编译器项目中，矩阵乘法运算(MMA)是GPU代码生成的核心操作之一。随着深度学习模型复杂度的提升，出现了对带缩放因子的矩阵乘法运算的需求，即形如acc := acc + (lhs * broadcast(scale)) x (rhs * broadcast(scale))的运算模式。

现有的iree_gpu.multi_mma操作在设计上存在局限性，它只能处理固定的左右输入操作数(lhs和rhs)，无法灵活支持多个输入操作数的情况。这在实现带缩放因子的矩阵乘法时显得不够灵活。

技术方案设计

为了解决这一问题，IREE社区提出了对iree_gpu.multi_mma操作进行泛化的设计方案：

1. 输入操作数泛化：将固定的lhs和rhs输入改为可变数量的inputs参数，使其能够接受任意数量的输入张量。

2. 置换规则扩展：原有的lhs_perm和rhs_perm置换规则将扩展为input_perms，这是一个数组的数组结构，可以分别为每个输入操作数指定独立的置换规则。

3. 操作重定位：考虑到该操作的通用性，计划将其从iree_gpu命名空间迁移到更合适的模块中，如iree_codegen或LinalgExt。

实现考量

在实现这一泛化设计时，有几个关键的技术考量点：

1. 操作描述符接口：原有的mma_attr属性需要重命名为更具通用性的名称，如operator_descriptor，以反映其更广泛的用途。

2. 代码生成兼容性：新的接口设计需要保持与现有代码生成管道的兼容性，确保不影响已有的优化流程。

3. 性能优化：多输入支持不应显著增加运行时开销，需要在设计时就考虑如何高效处理多个输入操作数。

技术影响

这一改进将为IREE带来以下优势：

1. 表达力增强：能够支持更复杂的矩阵运算模式，特别是那些需要额外缩放因子的运算。

2. 代码复用：统一的接口可以减少特殊情况下所需的定制化操作数量。

3. 未来扩展性：为将来可能出现的其他多输入矩阵运算模式提供了基础支持。

总结

OpenXLA IREE中对多输入矩阵乘法操作的泛化设计，体现了编译器中间表示(IR)不断演进以适应新计算需求的过程。这一改进不仅解决了当前带缩放因子矩阵乘法的实现问题，还为未来更复杂的运算模式奠定了基础，展现了IREE项目在深度学习编译器领域的持续创新。