ParEVO: KI-generierte Parallelalgorithmen für unregelmäßige Daten – 106‑facher Speedup

Der Sprung von sequentiellen zu parallelen Systemen ist für moderne Hochleistungsanwendungen unverzichtbar, doch die steile Lernkurve der Concurrent‑Programmierung erschwert diesen Übergang – besonders bei unregelmäßigen Datenstrukturen wie sparsamen Graphen, unausgeglichenen Bäumen oder nicht‑uniformen Netzen, wo statische Planung versagt und Datenabhängigkeiten unvorhersehbar sind.

ParEVO adressiert dieses Problem mit einem ganzheitlichen Ansatz: Zunächst wurde der Parlay‑Instruct‑Corpus mit 13 820 Aufgaben erstellt, die über einen „Critic‑Refine“-Prozess selektiert wurden, um nur tatsächlich performante Algorithmen zu erhalten, die die Work‑Span‑Parallel‑Primitives optimal nutzen. Anschließend wurden spezialisierte Modelle – DeepSeek, Qwen und Gemini – feinabgestimmt, sodass ihre probabilistische Code‑Generierung den strengen Semantik‑Regeln der ParlayLib-Bibliothek entspricht. Der Evolutionary Coding Agent (ECA) rundet das System ab, indem er Code iterativ anhand von Compiler‑Feedback, dynamischen Race‑Detektoren und Performance‑Profilern korrigiert und so die letzte Fehler‑ und Leistungsstufe perfektioniert.

Auf dem ParEval‑Benchmark erzielte ParEVO einen durchschnittlichen Speedup von 106‑fach, mit einem Spitzenwert von 1 103‑fach, und zeigte besonders bei komplexen Graph‑Problemen einen robusten 13,6‑fachen Gewinn. Damit übertrifft es die führenden kommerziellen Modelle und demonstriert, dass evolutionäre Optimierung in Kombination mit KI‑gestützter Code‑Synthese die Grenzen der Parallelisierung für unregelmäßige Daten sprengt.

Die Ergebnisse zeigen, dass ParEVO nicht nur die Effizienz von Hochleistungsanwendungen drastisch steigert, sondern auch die Barrieren für Entwickler senkt, die mit komplexen Datenstrukturen arbeiten. Durch die Kombination aus sorgfältig kuratiertem Datensatz, feinabgestimmten Sprachmodellen und einem evolutionären Reparaturagenten eröffnet ParEVO einen neuen Standard für die automatische Generierung von korrekten, skalierbaren Parallelalgorithmen.