diff --git a/code/code_gen/post.py b/code/code_gen/post.py index f209732..a2b060c 100644 --- a/code/code_gen/post.py +++ b/code/code_gen/post.py @@ -1,3 +1,27 @@ +""" +DNS Post-Processing Code Generator Core (post.py) +================================================== +이 모듈은 난류 및 연소 DNS(Direct Numerical Simulation) 데이터의 후처리를 위한 고성능 Fortran 코드를 생성하는 컴파일러의 코어입니다. +사용자가 정의한 DSL(Domain Specific Language) 입력 식을 읽어 파싱한 후, 다음과 같은 4단계 최적화 컴파일 과정을 거쳐 극도로 최적화된 3차원 루프 Fortran 모듈 코드를 자동 생성합니다. + +[컴파일러 파이프라인 4단계 개요] +1. Stage 1 (AST 수집 및 변수 정의): + - Lark 파서가 생성한 AST(Abstract Syntax Tree)를 순회하며 기본 입력 변수(Primary), 계산이 필요한 대입식(Derived), + 그리고 통계 물리량 계산을 위한 평균화 변수(Averaged)를 추출하고 필드 메타데이터 객체를 구성합니다. +2. Stage 2 (수치 미분 및 변동량 확장): + - 수식 내에 수치 미분자(ddx, d2dy 등)나 변동량(fluctuation, u')이 존재하면, 이를 물리적으로 차분 연산할 중간 + 미분 필드(DerivedField) 및 변동량 필드(FluctuationField)로 자동 변환하고 변수 테이블에 등록하여 확장합니다. +3. Stage 3 (의존성 분석 및 위상 정렬): + - 필드 간의 선후 연산 관계를 분석하여 유향 의존성 그래프(Directed Dependency Graph)를 생성합니다. + - 난류 통계의 특성상 평균 연산을 기준으로 "평균치 계산 전의 루프(Pass 1)"와 "평균치를 구한 후 변동량을 계산하는 루프(Pass 2)"로 + 전체 연산 블록을 논리적으로 분할하고, 각각의 블록 내에서 올바른 순서로 계산되도록 위상 정렬(Topological Sort)을 수행합니다. +4. Stage 4 (수식 기호 최적화, Liveness 분석 및 Buffer Array Pooling): + - SymPy 기호 수학 라이브러리를 이용하여 복잡한 3차원 수식을 대수적으로 간소화하고, 공통 부분 식 제거(CSE)를 적용하여 연산 비용(Flops)을 최적화합니다. + - 격자 데이터가 거대하므로 모든 변수에 개별 3D 배열을 할당하면 메모리가 고갈됩니다. 이를 방지하기 위해 변수들의 + 생명 주기(Liveness Window)를 수학적으로 추적하고, 동적 메모리 풀을 구축하여 동시에 활성화되지 않는 임시 변수들이 + 공통의 제한된 버퍼 배열(xyzbuffer0, xyzbuffer1, ...)을 나누어 사용(Array Pooling)하도록 할당하여 메모리 사용량을 최소화합니다. +""" + from lark import Lark, Visitor, Transformer, v_args, Token import warnings from jinja2 import Template @@ -6,39 +30,46 @@ from sympy.printing.fortran import FCodePrinter @v_args(inline=True) class LarkToSympy(Transformer): - """Transformer that parses Lark AST mathematical nodes into SymPy expression objects. + """Lark AST의 수학적 노드들을 SymPy 기호 수식 객체로 변환하는 Transformer 클래스입니다. - This recursively traverses the AST for algebraic equations, mapping operations, - constants, brackets, and custom derivative definitions directly to standard SymPy nodes. + 이를 통해 DSL 수식 트리를 SymPy 기호 객체로 매핑하고, SymPy의 강력한 수식 간소화(Simplify) + 및 공통 부분식 제거(CSE) 최적화 도구를 파이프라인 하부에서 활용할 수 있게 합니다. """ def __init__(self, fdict): - """Initializes the Lark-to-SymPy transformer. + """Lark-to-SymPy Transformer를 초기화합니다. Args: - fdict (dict): Dictionary mapping variables to their Field definitions. + fdict (dict): 변수명에서 물리 필드 정의 객체(FieldBase 자식 클래스들)로 매핑되는 딕셔너리. """ self.fdict = fdict def number(self, numeral): + # 상수를 SymPy Float 기호 객체로 변환 return sympy.Float(float(numeral)) def env(self, name): + # 환경 변수($ 기호로 시작)를 SymPy Symbol로 매핑 return sympy.Symbol(name.value) def paren(self, val): + # 괄호는 수식 우선순위 보존 후 내부 식 반환 return val def var(self, name): + # 일반 변수명을 SymPy Symbol로 매핑 return sympy.Symbol(name.value) def fluc(self, name): + # 변동량 u' 기호를 SymPy가 해석할 수 있도록 u__prime 기호명으로 매핑 return sympy.Symbol(name.value + "__prime") def dnx(self, partial, b): + # ddx(u)와 같은 수치 미분항을 ddx_u 형태의 하나의 고유 Symbol로 묶어서 취급 signature = f"{partial.data}_{b.value}" return sympy.Symbol(signature) def icall(self, op, val): + # sqr, pow3 등의 인라인 전용 함수들을 SymPy 지수 표현식으로 다이렉트 변환 if op.data == "sqr": return val**2 elif op.data == "pow3": @@ -46,6 +77,7 @@ class LarkToSympy(Transformer): return val def fcall(self, *args): + # 내장 수학 함수(sqrt, exp, log, abs, rxn_rate) 또는 사용자 정의 UDF들을 SymPy 함수 노드로 매핑 a = args[0] func_name = a.value if hasattr(a, 'value') else str(a) if func_name == "sqrt": @@ -88,15 +120,19 @@ class LarkToSympy(Transformer): class ArrayFCodePrinter(FCodePrinter): + """SymPy 식을 Fortran 코드로 인쇄할 때, 변수들을 적절한 다차원 격자점 인덱스 배열(예: var(i,j,k)) + 또는 평균 배열(예: var(i)) 형식으로 포맷팅하여 변환 출력해 주는 특수 Printer 클래스입니다. + """ def __init__(self, settings=None, array_symbols=None, avg_symbols=None): settings = settings or {} - settings.setdefault('source_format', 'free') + settings.setdefault('source_format', 'free') # 기본 프리포맷 Fortran 95 준수 settings.setdefault('standard', 95) super().__init__(settings) - self.array_symbols = array_symbols or {} - self.avg_symbols = avg_symbols or {} + self.array_symbols = array_symbols or {} # 3차원 필드 배열의 실제 물리 버퍼 명칭 매핑 + self.avg_symbols = avg_symbols or {} # 평균 필드 배열의 명칭 매핑 def _print_Float(self, expr): + # 배정밀도 실수 상수에 d0 접미사를 명시하여 컴파일러 정밀도 유실 방지 val = str(expr) if 'e' in val or 'E' in val: return val.replace('e', 'd').replace('E', 'd') @@ -106,12 +142,15 @@ class ArrayFCodePrinter(FCodePrinter): def _print_Symbol(self, expr): name = expr.name + # 1. 3D 공간 격자점 버퍼 할당명에 매핑되어 있는 경우 (i,j,k) 차분 격자점 인덱스를 부착 if name in self.array_symbols: return f"{self.array_symbols[name]}(i,j,k)" + # 2. X방향(i) 1차원 평균화 변수인 경우 (i) 인덱스 부착 if name in self.avg_symbols: return f"{self.avg_symbols[name]}(i)" if name.startswith("avg_") or "_avg_" in name or name.endswith("_avg"): return f"{name}(i)" + # 3. 변동량 변수(u__prime)인 경우, 원본 격자점 값과 1차원 평균값의 편차식인 '(u(i,j,k) - avg_u(i))'로 자동 인라인 전개 if name.endswith("__prime"): base = name[:-7] arr = self.array_symbols.get(base, base) @@ -119,6 +158,7 @@ class ArrayFCodePrinter(FCodePrinter): return name def _print_Function(self, expr): + # SymPy 내장 함수가 아닌 사용자 정의 함수(rxn_rate, udf 등)의 정상적인 Fortran 출력을 위한 예외 폴백 처리 try: return super()._print_Function(expr) except Exception: @@ -127,6 +167,15 @@ class ArrayFCodePrinter(FCodePrinter): class SympyOptimizer: + """컴파일러 내부에서 SymPy 수학 기호 연산 엔진을 제어하는 최적화 매니저 클래스입니다. + + 1. 수식 확장 대입(Substitution): 사용자가 정의한 물리 변수 중 디스크로 내보내지(export) 않는 + 임시 변수들의 수식을 참조하는 하부 수식에 재귀적으로 대입하여 거대한 하나의 식으로 확장합니다. + 2. 대수적 간소화(Simplify & Cancel): SymPy를 사용하여 분모 분자 소거 및 삼각/지수 대수 간소화를 적용합니다. + 3. 공통 부분식 제거(CSE - Common Subexpression Elimination): 복잡하게 얽힌 다차원 미분 수식 속에서 + 중복 계산되는 서브 식(예: 공통 항곱)을 탐지하여, 루프 외/내부에서 임시 스칼라 변수(x0, x1 등)에 선언한 후 + 루프 내 연산에서 한 번만 대입하여 연산하도록 루프 코드를 개조하여 FLOPS와 캐시 로드를 획기적으로 낮춥니다. + """ _instance = None @classmethod @@ -137,17 +186,25 @@ class SympyOptimizer: def __init__(self, fdict): self.fdict = fdict - self.sympy_cache = {} + self.sympy_cache = {} # 중복 연산 계산 방지를 위한 SymPy 식 캐시 self.exported_fields = set( name for name, f in fdict.items() if hasattr(f, 'attr') and f.attr.get('export') - ) + ) # 디스크로 파일 출력이 설정된 최종 목표 변수 집합 self.averaged_targets = set() def set_averaged(self, averaged_dict): + # 평균화 대상이 되는 변수 집합을 수집 self.averaged_targets = {a.target for a in averaged_dict.values()} def get_sympy_expr(self, name): + """특정 변수 명칭에 대해 기호적으로 완전히 확장 대입된 SymPy Expression 객체를 빌드하여 캐싱합니다. + + 기본 입력 변수(Primary), 미분 변수(Derived), 평균 변수(Averaged), 변동량 변수(Fluctuation)는 + 치환하지 않고 독립적인 리프 기호(Symbol)로 둡니다. 그 외 중간에서만 활용되는 일반 임시 Derived 변수들은 + 의존하는 원본 수식들을 탐색하여 재귀적으로 인라인 대체(expand) 시킴으로써, SymPy 기호 엔진이 + 루프 수식 전체의 논리적 최적화를 전역적으로 수행할 수 있도록 합니다. + """ if name in self.sympy_cache: return self.sympy_cache[name] @@ -158,7 +215,7 @@ class SympyOptimizer: self.sympy_cache[name] = expr return expr - if hasattr(field, 'op'): # DerivedField + if hasattr(field, 'op'): # DerivedField (ddx 등 미분 결과) expr = sympy.Symbol(name) self.sympy_cache[name] = expr return expr @@ -176,7 +233,7 @@ class SympyOptimizer: transformer = LarkToSympy(self.fdict) expr = transformer.transform(field.exp) - # Recursively substitute derived variables that are not cached + # 재귀적으로 의존 중인 캐싱되지 않은 중간 계산 임시 변수들을 수식 본문으로 확장 치환(Substitution) expanded_expr = expr changed = True while changed: @@ -193,6 +250,8 @@ class SympyOptimizer: is_exported = sym_name in self.exported_fields is_averaged_target = sym_name in self.averaged_targets + # 최종 출력 대상이거나 물리적 경계 처리가 필요한 핵심 변수가 아니라면, + # 기 기하학적 수식을 최적화하기 위해 현재 식 안으로 대입해 버립니다. if not (is_derived_field or is_averaged_field or is_primary_field or is_exported or is_averaged_target): sub_dict[sym] = self.get_sympy_expr(sym_name) changed = True @@ -204,6 +263,9 @@ class SympyOptimizer: return expanded_expr def calculate_flops_and_heavy(self, expr): + """수식에서 수행되는 부동 소수점 연산(FLOPS) 및 계산 부하가 큰 연산(Division, Sqrt, Exp 등)의 개수를 평가합니다. + 이를 통해 최적화 리포트에 연산 비용 증감률을 리포팅합니다. + """ flops = 0 heavy = 0 for node in sympy.preorder_traversal(expr): @@ -214,10 +276,10 @@ class SympyOptimizer: elif isinstance(node, sympy.Pow): base, exp = node.args if exp == 0.5 or exp == -0.5: - flops += 10 + flops += 10 # 제곱근 및 역제곱근은 대략 10 flops 가중치 부여 heavy += 1 elif exp == -1: - flops += 4 + flops += 4 # 역수 나눗셈은 4 flops 가중치 부여 heavy += 1 elif isinstance(exp, sympy.Integer): val = abs(int(exp)) @@ -232,7 +294,7 @@ class SympyOptimizer: flops += 10 heavy += 1 elif name in ('exp', 'log', 'sin', 'cos', 'tan', 'rxn_rate'): - flops += 10 + flops += 10 # 특수 수학 함수 연산은 10 flops 가중치 및 Heavy 연산자로 평가 heavy += 1 elif name == 'Abs': flops += 1 @@ -242,6 +304,9 @@ class SympyOptimizer: return flops, heavy def count_3d_loads(self, expr, three_d_arrays): + """수식 내부에서 참조하는 3차원 격자점 배열의 총 메모리 로드 횟수를 카운트합니다. + 메모리 대역폭 한계(Memory-bound)에 부딪히는 HPC 연산의 병목을 평가하는 데 중요한 지표입니다. + """ count = 0 for node in sympy.preorder_traversal(expr): if isinstance(node, sympy.Symbol) and node.name in three_d_arrays: @@ -249,6 +314,17 @@ class SympyOptimizer: return count def optimize_field(self, name, alloc=None): + """개별 물리 필드 수식을 SymPy를 사용해 최적화하고 공통 부분식(CSE) 코드를 추출합니다. + + Args: + name (str): 최적화할 필드 변수명. + alloc (dict): 변수명에서 버퍼 배열명(xyzbufferN)으로 매핑되는 테이블. + + Returns: + rhs (str): 최적화가 완료된 최종 Fortran 우변(Right-Hand Side) 코드 문자열. + cse_decls (list): CSE 추출 결과 생성된 임시 실수 변수 선언 리스트 (예: real(real64) :: x0). + cse_assigns (list): 루프 내부 대입에 사용될 임시 변수의 연산식 리스트. + """ expr = self.get_sympy_expr(name) three_d_arrays = { @@ -256,12 +332,15 @@ class SympyOptimizer: if hasattr(v, 'dim') and v.dim == ':,:,:' } + # 최적화 전 비용 수집 before_flops, before_heavy = self.calculate_flops_and_heavy(expr) before_loads = self.count_3d_loads(expr, three_d_arrays) + # 1차 대수적 간소화 및 약분 소거 simplified_expr = sympy.simplify(expr) simplified_expr = sympy.cancel(simplified_expr) + # 기호명을 실제 Fortran 격자 배열명(xyzbufferN)으로 매핑하기 위한 준비 array_symbols = {} for k, v in self.fdict.items(): if hasattr(v, 'array') and v.array: @@ -273,9 +352,12 @@ class SympyOptimizer: printer = ArrayFCodePrinter(array_symbols=array_symbols) + # 2차: 공통 부분식 제거(CSE) 알고리즘 가동 + # 복잡하게 중복 사용되는 수식 구조를 서브 트리로 분리하여 임시 기호(x0, x1 등)와 최종 축소 식으로 분할 replacements, reduced_exprs = sympy.cse(simplified_expr) reduced_expr = reduced_exprs[0] + # 최적화 후 비용 계산 after_flops = 0 after_heavy = 0 after_loads = 0 @@ -304,6 +386,7 @@ class SympyOptimizer: heavy_pct = pct_str(before_heavy, after_heavy) loads_pct = pct_str(before_loads, after_loads) + # 성능 개선 등급 진단 if after_flops < before_flops * 0.5 or after_loads < before_loads * 0.5: est_speedup = "Highly significant" elif after_flops < before_flops or after_loads < before_loads: @@ -311,6 +394,7 @@ class SympyOptimizer: else: est_speedup = "Minimal / Already optimal" + # 컴파일 중 최적화 상세 리포트를 stderr로 콘솔 화면에 로깅 sys.stderr.write(f"\n[SymPy Optimizer Report: {name}]\n") sys.stderr.write(f"- Floating Point Ops : {before_flops} -> {after_flops} ({flops_pct})\n") sys.stderr.write(f"- Heavy Ops (Div/Sqrt): {before_heavy} -> {after_heavy} ({heavy_pct})\n") @@ -320,9 +404,12 @@ class SympyOptimizer: cse_decls = [] cse_assigns = [] + # CSE 추출 결과를 Fortran 코드로 포매팅 if replacements: for temp_var, temp_expr in replacements: + # 임시 변수 로컬 스칼라 선언 구문 작성 cse_decls.append(f"real(real64) :: {temp_var}") + # 루프 내에서 먼저 연산 후 할당하는 구문 작성 cse_assigns.append(f"{temp_var} = {printer.doprint(temp_expr)}") rhs = printer.doprint(reduced_expr) @@ -331,18 +418,25 @@ class SympyOptimizer: class CollectDefinitions(Visitor): + """Lark AST의 전체 노드를 스캔하며 정의문(변수 리스트, 대입식, 평균화 조건)을 수집하여 + 컴파일러의 빌딩 블록 객체들로 구축하는 Visitor 클래스입니다 (Stage 1 핵심 작동부). + """ def __init__ (self, primary, derived, averaged): - self.primary = primary - self.derived = derived - self.averaged = averaged + self.primary = primary # 기본 입력 물리 필드명 집합 (격자 파일 등에서 읽음) + self.derived = derived # 유도/계산식 필드 딕셔너리 + self.averaged = averaged # 평균 연산 조건 딕셔너리 def varlist(self, tree): + # 괄호 안 [u, v, w] 같은 형식으로 표기된 기본(Primary) 변수 리스트 파싱 for v in tree.children: self.primary.add(v.value) + # 의존성 테이블에 기본 변수 객체 등록 self.derived[v.value] = PrimaryField(v.value, self.derived) def assign_var (self, tree): + # 등호(=) 연산자를 통한 변수 계산식 정의 노드 파싱 + # 속성값(예: (export=true, latex="..."))이 존재하면 추출 if len(tree.children) > 2: lval, lattr, rval = tree.children else: @@ -358,9 +452,11 @@ class CollectDefinitions(Visitor): if lval.value in self.derived: raise ValueError("duplicate definition of " + lval) + # Field 객체를 생성하여 derived 계산 테이블에 등록 self.derived[lval.value] = Field(lval.value, attr_dict, rval, self.derived) def assign_avg_var (self, tree): + # avg 또는 avg$w {u, v, ...} 와 같은 평균화 지시어 파싱 및 등록 w = tree.children[0] targets = tree.children[1:] @@ -371,6 +467,9 @@ class CollectDefinitions(Visitor): class ExpInspector(Visitor): + """수식 AST 노드들을 순회하며 해당 식 내부의 변동량(Fluctuation) 포함 여부, + 참조 중인 다른 물리 변수 종속성 목록(dep), 그리고 수치 미분항(deriv) 목록을 추출하는 Visitor 클래스입니다. + """ def __init__(self): self.fluctuation = False self.dep = set([]) @@ -386,6 +485,7 @@ class ExpInspector(Visitor): return self.fluctuation, self.dep, self.deriv def fluc(self, tree): + # 식 내부에 변동량 항이 존재함을 기록하고 종속성에 등록 self.fluctuation = True self.dep.add(tree.children[0].value) @@ -393,14 +493,16 @@ class ExpInspector(Visitor): self.dep.add(tree.children[0].value) def dnx (self, tree): + # ddx(u) 와 같이 수치 미분 노드를 만나면 ddx_u 형태의 중간 미분 변수를 종속성 리스트에 기록 op, v = tree.children deriv = "{}_{}".format(op.data, v.value) self.dep.add(deriv) self.deriv.add((op.data, v.value)) -@v_args(inline=True) # Affects the signatures of the methods +@v_args(inline=True) # 메서드의 서명 형식을 자식 노드 매개변수 나열형으로 변환 class ExpToLatex(Transformer): + """DSL 수학 표현식 AST를 문서를 검토하기 편하게 LaTeX 문법 수식으로 번역하는 번역기입니다.""" def __init__(self, fdict): self.fdict = fdict @@ -441,6 +543,7 @@ class ExpToLatex(Transformer): return self.parenthise(name.value) def fluc(self, name): + # LaTeX 수식 표기용 u'' 프라임 기호 렌더링 return self.parenthise(name.value)+ "''" def dnx (self, partial, b): @@ -513,8 +616,11 @@ class ExpToLatex(Transformer): -@v_args(inline=True) # Affects the signatures of the methods +@v_args(inline=True) class ExpToCode(Transformer): + """DSL 수학 수식 트리를 Fortran의 3차원 인덱스 코드 형태의 수식 문자열로 다이렉트 매핑하는 번역기입니다. + SymPy 최적화를 사용하지 않는 대체 연산 경로 등에서 보조적으로 사용됩니다. + """ def __init__(self, fdict): self.fdict = fdict @@ -600,6 +706,7 @@ class ExpToCode(Transformer): def make_allocate(name, shape, init_zero=True): + """Fortran 배열을 동적 할당하고 예외 발생 시 프로세스를 안전하게 폭파시키는 할당 코드를 작성해 줍니다.""" alloc_str = f"allocate({name}({shape}), stat=ierr)\n" alloc_str += f"if (ierr /= 0) then\n" alloc_str += f" write(0,*) 'Error: allocation of {name} failed on process', myid\n" @@ -611,14 +718,15 @@ def make_allocate(name, shape, init_zero=True): class FieldBase (object): + """모든 물리 필드 객체의 최상위 기본 클래스로서 공통 데이터 구조 및 선언/할당 문자열 작성을 담당합니다.""" def __init__ (self, name, fdict): self.name = name - self.array = name - self.dep = set([]) - self.fluc = False - self.prime = False + self.array = name # 실제 메모리 버퍼 상의 지칭 배열 명칭 + self.dep = set([]) # 종속된(의존 중인) 하위 필드 리스트 + self.fluc = False # 변동량 편차 계산 대상인지 여부 + self.prime = False # 기본 데이터 파일로부터 읽어 들이는 원본 필드인지 여부 self.fdict = fdict - self.shape = "nxp,nyp,nzp" + self.shape = "nxp,nyp,nzp" # 3차원 그리드 구조 self.dim = ":,:,:" def depends_on (self, a): @@ -640,7 +748,9 @@ class FieldBase (object): return self.name def checkFluctuation (self): - + """본 변수 혹은 의존하고 있는 하위 기호들 중에 변동량(Fluctuation) 관련 계산이 개입되어 있는지 + 상향식으로 전파 추적하는 재귀 메서드입니다. + """ fset = set([]) for d in map(self.fdict.get, self.dep): @@ -652,7 +762,9 @@ class FieldBase (object): return fset def depClosure (self): - + """해당 변수를 계산하기 위해 선행 계산되어야 하는 모든 하위 변수 노드들을 + 재귀적으로 타고 내려가 총합 폐쇄 집합(Closure Set)으로 묶어 반환합니다. + """ fset = set(self.dep) for d in self.dep: @@ -674,13 +786,21 @@ class FieldBase (object): class FieldExporter (object): + """물리 필드 데이터를 병렬 분산 디스크 시스템으로 직접 추출(Export)하는 고성능 MPI-IO 서브루틴 블록을 + 생성하는 템플릿 처리 클래스입니다. + + 1. Subarray 방식 (기본값): MPI_TYPE_CREATE_SUBARRAY를 사용하여 3차원 격자의 전체 물리 도메인에서 + 현재 MPI 랭크가 맡고 있는 일부분의 3D 블록을 통째로 오프셋과 크기를 지정해 병렬 쓰기함으로써 병목을 최소화합니다. + 2. Legacy Copy 방식 (특정 X 좌표들만 샘플링하여 쓸 때): 전체 배열 중 특정 좌표들만 추출하여 + 임시 전송 배열로 카피한 뒤 단일 스트림 형태로 쓰기를 수행합니다. + """ mpi_io_decl=''' ! field exporter common integer(kind=MPI_OFFSET_KIND) :: offset ''' - # Subarray version + # Subarray 버전 템플릿 fmt_decl_subarray=''' ! - file_handles and mpi_infos integer(kind=MPI_INTEGER_KIND) :: {{ field_name }}_fh @@ -716,7 +836,7 @@ offset = export_offset(fidx) * count * 8 call MPI_FILE_WRITE_AT({{ field_name }}_fh, offset, {{ work_array }}, 1, {{ field_name }}_filetype, mpi_status, mpi_err) ''' - # Legacy copy version (fallback) + # Legacy copy 버전 (fallback) fmt_decl_legacy=''' ! - file_handles and mpi_infos integer(kind=MPI_INTEGER_KIND) :: {{ field_name }}_fh @@ -840,6 +960,9 @@ end do class Field (FieldBase): + """일반 대입 계산 변수를 관리하며, 3차원 격자점 루프 코드 생성을 담당하는 핵심 클래스입니다. + SymPy 최적화 및 CSE 적용 코드를 루프 본문에 결합합니다. + """ def __init__ (self, name, attr, exp, fdict): super(Field,self).__init__(name, fdict) @@ -861,26 +984,22 @@ class Field (FieldBase): except KeyError: pass - - ''' - for a in self.dep: - if a not in self.fdict: - raise StandardError(a + " is not defined") - ''' - def export_on (self): return self.exporter is not None def code (self, alloc=None): self.array = alloc[self.name] if alloc else self.name - # Optimize using SymPy + # SymPy 기호 수식 최적화 및 루프 내 CSE 적용 스칼라 추출 opt = SympyOptimizer.get_instance(self.fdict) rhs, cse_decls, cse_assigns = opt.optimize_field(self.name, alloc) decls_str = "\n".join(cse_decls) if cse_decls else "" assigns_str = "\n".join(cse_assigns) if cse_assigns else "" + # 생성될 Fortran 3차원 루프 템플릿 + # CSE 최적화에 의해 추출된 로컬 임시 스칼라 할당문(assigns_str)을 3중 루프 i, j, k 본문 내부에서 먼저 연산하도록 삽입하고, + # 이 변수들을 사용하여 우변(rhs)을 연산하고 최종 배열(array(i,j,k))에 저장합니다. real_array_loop = """ ! {{ comment }} {% if decls_str -%} @@ -917,6 +1036,9 @@ end block class FluctuationField (FieldBase): + """물리 필드의 난류 변동 성분(Fluctuation, u' = u - )을 계산하기 위한 변수 클래스입니다. + 수식 내의 u' 기호를 평균량과의 차이 수식으로 팽창하여 할당합니다. + """ def __init__ (self, w, field, fset, fdict): @@ -973,6 +1095,10 @@ end do class PrimaryField (FieldBase): + """격자 정보나 외부 물리계 수치 데이터(u, v, w, T 등) 파일에서 사전에 로드하여 + 메모리에 상주하는 기본 원본 입력 필드 클래스입니다. + 자체 계산 루프나 동적 할당 코드를 직접 생성하지 않습니다. + """ def __init__ (self, name, fdict): super(PrimaryField,self).__init__(name, fdict) @@ -995,6 +1121,10 @@ class PrimaryField (FieldBase): class DerivedField (FieldBase): + """수치 공간 미분(ddx, d2dy 등)을 수행하여 계산되는 유도 필드 클래스입니다. + Fortran 수치 차분 패키지 서브루틴(Compact.f90 에 구현된 dfnonp, dfp 등)의 + 동적 호출 코드를 출력합니다. + """ def __init__ (self, op, v, fdict): name = "{}_{}".format(op, v) @@ -1012,10 +1142,14 @@ class DerivedField (FieldBase): def code (self, alloc=None): self.array = alloc[self.name] if alloc else self.name varray = alloc[self.v] if alloc else self.v + # 예: call ddx ( xyzbuffer0, u ) 형태의 서브루틴 호출 코드를 작성 return "call {0} ( {2}, {1} )".format(self.op, varray, self.array) class AveragedField (FieldBase): + """특정 물리 필드를 격자의 동질 차원(예: X 방향 1D선상 평균)에 대해 + 공간 통계 평균(Average) 연산을 수행하는 1차원 필드 클래스입니다. + """ @classmethod def id (cls, w, tgt): @@ -1029,7 +1163,7 @@ class AveragedField (FieldBase): name = self.id(w,tgt) super(AveragedField,self).__init__(name, fdict) - self.shape = "nxp" + self.shape = "nxp" # Y, Z 차원을 평균화하여 날려버리므로 X방향 크기인 nxp 1차원 배열이 됨 self.dim = ":" self.target = tgt @@ -1054,7 +1188,7 @@ class AveragedField (FieldBase): def code (self, alloc=None): - + # 3차원 루프를 돌며 Y, Z 축에 대해 값을 누적합 연산하는 구문 avg_array_sum = """ do k = 1, nzp do j = 1, nyp @@ -1072,7 +1206,8 @@ end do def code_avg (self): - + # 병렬 랭크 간 MPI_ALLREDUCE를 통해 X방향 라인별 총합을 싱크한 뒤, + # 전체 그리드 면적(denum = nyp * nzp) 및 가중 평균 값으로 나누어 실제 수학적 평균값 산출 avg_array_divide = """ call MPI_ALLREDUCE(MPI_IN_PLACE, {{ name }}, nxp, MPI_REAL8, MPI_SUM, MPI_COMM_TASK, mpi_err) @@ -1089,27 +1224,29 @@ call MPI_ALLREDUCE(MPI_IN_PLACE, {{ name }}, nxp, MPI_REAL8, MPI_SUM, MPI_COMM_T return not self.pass2() def pass2 (self): + # 수식 내에 u' 등 변동량 항이 포함되어 있으면, + # 원본 u의 평균치() 계산이 완료된 '이후'에만 연산이 가능하므로 Pass 2 대상이 됨 return len(self.fset) > 0 class Stage1(): - """First compilation stage. Performs conversion of Lark AST tree into Python field datasets. - - This uses a visitor class to collect all algebraic equations, primary variables, - derived fields, and average specs from the parsed DSL input. + """컴파일러 1단계: DSL 파서 AST 트리로부터 필드 변수 정의 정보를 추출 및 적재합니다. + + Lark 구문 파서가 생성한 추상 구문 트리(AST)를 CollectDefinitions Visitor 클래스로 횡단 스캔하여, + 기본 변수(Primary), 수식 유도 변수(Derived), 평균 대상 사양(Averaged)을 모아 구조체 딕셔너리로 저장합니다. """ def __init__ (self, raw_tree): - """Initializes Stage 1 by parsing the raw AST tree. + """Stage 1 초기화 및 AST 정의 스캔을 시작합니다. Args: - raw_tree (lark.Tree): The parsed AST representation of the DSL input. + raw_tree (lark.Tree): Lark 구문 파서가 해석 완료한 DSL 추상 구문 트리. """ self.primary = set([]) self.derived = {} self.averaged = {} - # Construct Field objects + # CollectDefinitions Visitor를 구동하여 AST 트리 내의 정의 스캔 시작 CollectDefinitions( self.primary, self.derived, self.averaged ).visit(raw_tree) def __repr__ (self): @@ -1117,17 +1254,18 @@ class Stage1(): class Stage2(): - """Second compilation stage. Expands derivative and fluctuation terms. - - This stage traverses the collected definitions, resolving and creating matching - derived fields for derivatives, fluctuations, and weighted averages. + """컴파일러 2단계: 수식 내의 미분 및 변동 연산자를 감지하여 해당 물리 필드로 확장 처리합니다. + + 1단계에서 추출된 변수 식 내부에 ddx(u) 와 같은 수치 미분항이 검출되면, 이를 연산할 중간 미분 필드(DerivedField)를 + 자동 생성하고 의존성 체인에 등록합니다. 또한, u'와 같은 변동 성분이 포함되어 있으면 + 물리량에서 평균치를 뺀 변동량 계산용 임시 필드(FluctuationField)로 확장 생성하여 등록합니다. """ def __init__ (self, src): - """Initializes Stage 2 by expanding variables from the previous stage. + """Stage 2 초기화 및 변수 수식 확장을 가동합니다. Args: - src (Stage1): Completed Stage 1 compilation dataset. + src (Stage1): 완료된 Stage 1의 AST 데이터 세트. """ self.src = src self.primary = src.primary @@ -1135,8 +1273,7 @@ class Stage2(): self.derivative = {} self.averaged = {} - # Construct Derivative Field objects - + # 1. 계산식 내에 존재하는 고차 차분 미분항(ddx, d2dy 등)을 찾아 중간 DerivedField로 등록 dset = set([]) for k, v in self.derived.items(): dset.update(v.derivs) @@ -1146,12 +1283,13 @@ class Stage2(): self.derived[a.name] = a self.derivative[tup] = a - # Construct Averaged Field objects - + # 2. 통계 물리량 평균화 대상 변수들을 AveragedField 구조체로 구성하고, + # 변동량 계산이 필요한 경우 FluctuationField로 등록 for w, tgts in src.averaged.items(): for t in tgts: a = AveragedField(w, t, self.derived) self.averaged[a.name] = a + # 평균 편차가 동반된 항들에 대해 FluctuationField 생성 for ff in a.fset: b = FluctuationField(w, ff, a.fset, self.derived) self.derived[b.name] = b @@ -1160,6 +1298,7 @@ class Stage2(): return "\n".join(map(str, [self.derived, self.derivative, self.averaged])) def dependency (self): + """프로그램 내 모든 필드 간의 1차 의존 관계 그래프(Dependency Graph)를 추출하여 딕셔너리로 반환합니다.""" dgraph = {} for k,v in self.derived.items(): @@ -1172,18 +1311,21 @@ class Stage2(): class Stage3(): - """Third compilation stage. Calculates the topological execution order. - - Resolves dependencies between algebraic equations and calculates the correct order - of calculations. It splits calculation passes into two distinct execution blocks - (Pre-averaging Pass 1, and Post-averaging Pass 2) using a topological sorter. + """컴파일러 3단계: 연산 간의 의존성을 해결하여 3D 계산 루프의 최적 실행 순서를 계산합니다. + + 1. 루프 분할(Loop Splitting): 난류 평균량 연산의 인과관계에 따라 물리 연산을 두 개의 단계(Pass)로 쪼갭니다. + - Pass 1 (평균 계산 전): 입력 물리량들로부터 1차 수식을 연산하고, 1차 평균값(예: )을 누적합하는 연산들. + - Pass 2 (평균 계산 후): 구해진 평균값을 활용하여 변동량(u' = u - )을 계산하고, + 이를 통반한 최종 결합 물리량을 추가적으로 계산/평균화하는 연산들. + 2. 최적화 위상 정렬(Topological Sort): 각 Pass 내에서 변수의 선행 의존 관계가 완전히 해결된 + 올바른 순서로 순차 연산 코드가 생성되도록 정렬 알고리즘을 가동합니다. """ def __init__ (self, src): - """Initializes Stage 3 by resolving execution flows. + """Stage 3 초기화 및 위상 정렬을 수행하여 Pass 1, 2 실행 순서를 결정합니다. Args: - src (Stage2): Completed Stage 2 dataset. + src (Stage2): 확장된 변수 테이블을 가진 Stage 2 결과 객체. """ self.src = src self.primary = src.primary @@ -1191,19 +1333,20 @@ class Stage3(): self.averaged = src.averaged self.dependency = src.dependency() + # 이름 충돌 방지 검증 assert set(self.derived.keys()).isdisjoint(self.averaged.keys()) - + # Pass 1과 Pass 2 대상 평균화 변수 논리 분할 self.avg1 = set(filter(AveragedField.pass1, self.averaged.values())) self.avg2 = set(filter(AveragedField.pass2, self.averaged.values())) + # Pass 1 위상 정렬: Pass 1 평균 변수들의 연산에 관여하는 모든 종속 관계를 수집하여 정렬 pass1calc = set(map(repr, self.avg1)) for x in self.avg1: pass1calc.update(x.depClosure()) self.pass1 = self.sort_vars_new(self.dependency, pass1calc - self.primary) - # self.sort_vars(self.dependency, pass1calc - self.primary -set(map(repr, self.avg1))) - + # Pass 2 위상 정렬: Pass 2 평균 변수(변동 연산 연계)들의 연산에 관여하는 종속성을 정렬 pass2calc = set(map(repr, self.avg2)) for x in self.avg2: pass2calc.update(x.depClosure()) @@ -1215,6 +1358,7 @@ class Stage3(): def sort_vars (self, dependency, group): + """일반적인 단순 위상 정렬 알고리즘입니다.""" order = [] remain = list(group) remain.sort() @@ -1228,6 +1372,9 @@ class Stage3(): return order def calc_size (self, ordered, remaining): + """위상 정렬 도중 활성화되는 임시 라이브 변수들의 상대적 가중치 스케일을 계산합니다. + 메모리 상주 대역을 최소화하는 최적의 정렬 후보를 결정할 때 척도로 이용됩니다. + """ count = 0 dep_union = set([]) @@ -1244,6 +1391,13 @@ class Stage3(): def sort_vars_new (self, dependency, group): + """메모리에 동시에 상주하여 참조되어야 하는 활성 라이브 변수의 개수를 + 최소화하도록 특수 설계된 메모리 인지형 위상 정렬(Memory-Aware Topological Sort) 알고리즘입니다. + + 매 정렬 단계마다 현재까지 결정된 실행 흐름(ordered)과 향후 연산되어야 할 대기 변수(remaining) 사이의 + 의존도 영향 범위(calc_size)를 계산하여, 생명 주기 창(Liveness Window)이 짧아지도록 후보군 중 최선의 변수를 + 선택해 나가며 실행 순서 목록을 빌드합니다. + """ order = [] remain = list(group) remain.sort() @@ -1264,6 +1418,7 @@ class Stage3(): candidate.sort(key=impact.get) + # 활성 변수 상주 가중치 영향도가 가장 적은 후보를 우선 배치 order.append(candidate[0]) remain.remove(candidate[0]) @@ -1271,6 +1426,9 @@ class Stage3(): def print_program (self): + """Stage 3 결과를 바탕으로, 최적화가 적용되지 않은 평이한 단일 3D 배열식으로 + 모든 중간 임시 변수를 개별 동적 할당하여 계산하는 원시 Fortran 소스코드를 인쇄합니다. + """ allvar = dict(self.derived) allvar.update(self.averaged) @@ -1329,18 +1487,26 @@ close (200) class Stage4(): - """Fourth compilation stage. Performs variable liveness analysis and memory pooling. - - Analyzes variable lifetimes inside loops to perform cache-friendly array pooling. - It leverages SymPy to simplify expressions, count flops, extract Common Subexpressions (CSE), - and compile highly optimized Fortran calculations with minimal memory footprint. + """컴파일러 4단계 (최종): 메모리 Pooling 버퍼 할당 및 SymPy 최적화 코드를 최종 결합하여 컴파일을 완료합니다. + + [핵심 최적화 기술] + 1. SymPy 수식 정리 및 의존 기호 교정: + - SymPy 기호 엔진을 통해 최적화 대상 필드들의 수식 트리를 전면 간소화합니다. + - 기호화 과정에서 대입 치환(substitution)으로 바뀐 수식들의 의존성을 재추적하여 + 컴파일러의 dependency 그래프를 정확한 상태로 최신화합니다. + 2. 생명 주기 분석 (Liveness Analysis): + - 3D 배열은 크기가 막대하여 루프 중간에 생성되는 수십 개의 임시 변수들에게 각자 별도 배열을 할당하면 + 프로그램 실행이 불가능해집니다. + - 임시 변수가 할당되어 계산되는 시작점과 그 변수를 다른 수식들이 완전히 가져다 쓴 뒤 + 종료되는 참조 종점(Liveness window)을 2차원 부울 마스크 이미지 형태로 추적합니다. + 3. 메모리 Pooling 및 버퍼 할당 (Array Register Allocation): + - Liveness 마스크 분석을 통해 동일 시점에 공존하여 메모리에 살아있어야 하는 임시 변수의 최대 중첩 개수를 파악하여 + 필요한 버퍼의 총수(self.narr)를 계산합니다. + - 재사용 가능한 버퍼 명칭 풀(pool)을 정의하고, Liveness에 의해 변수의 생명이 다하면 사용하던 버퍼명을 풀에 반환하며, + 새로운 변수가 활성화될 때 풀에서 빈 버퍼명을 분배(Pop)하는 방식으로 3차원 물리 필드 메모리 오버헤드를 + O(1) 수준의 버퍼 몇 개 세트로 극도로 낮춥니다 (xyzbuffer0, xyzbuffer1 등). """ def __init__ (self, src): - """Initializes Stage 4. - - Args: - src (Stage3): Completed Stage 3 execution order. - """ self.src = src self.primary = src.primary self.derived = src.derived @@ -1351,15 +1517,17 @@ class Stage4(): self.pass1 = src.pass1 self.pass2 = src.pass2 - # Initialize SympyOptimizer and set the averaged fields to collect targets + # 1. SymPy 수식 최적화 엔진 초기화 opt = SympyOptimizer.get_instance(self.derived) opt.set_averaged(self.averaged) - # Update dependencies based on SymPy optimized expressions for Field objects + # 2. SymPy가 대입식 치환(Substitution) 과정에서 제거한 불필요한 의존성 관계를 + # 의존성 그래프에 즉각 반영하여 실제 계산을 위한 의존성 체인을 슬림하게 정리합니다. updated_dependency = {} for name, dep_set in self.dependency.items(): if name in self.derived and isinstance(self.derived[name], Field): expr = opt.get_sympy_expr(name) + # 실제 정리된 SymPy 식에 잔존하는 자유 기호 명칭들만 추출 free_sym_names = {sym.name for sym in expr.free_symbols} valid_deps = {dep for dep in free_sym_names if dep in self.derived or dep in self.primary} updated_dependency[name] = valid_deps @@ -1367,49 +1535,69 @@ class Stage4(): updated_dependency[name] = dep_set self.dependency = updated_dependency - self.array_name = "xyzbuffer{}" + self.array_name = "xyzbuffer{}" # Pooling용 공용 3차원 버퍼 이름 포맷 + # 3. Pass 1 및 Pass 2 연산 순서 배열들에 대해 각각 버퍼 공유 매핑(Pooling) 수행 narr1, alloc1 = (self.allocate_arr(self.pass1)) narr2, alloc2 = (self.allocate_arr(self.pass2)) + # 전체 프로그램에서 필요한 동적 공유 3D 버퍼 배열의 최대 크기 설정 self.narr = max(narr1, narr2) - self.alloc1 = alloc1 - self.alloc2 = alloc2 + self.alloc1 = alloc1 # Pass 1 변수명 -> 공용 xyzbuffer 명칭 매핑 정보 + self.alloc2 = alloc2 # Pass 2 변수명 -> 공용 xyzbuffer 명칭 매핑 정보 def liveness (self, l1, g): + """위상 정렬된 변수 시퀀스 `l1`과 의존성 그래프 `g`를 이용하여 + 각 변수가 루프 타임라인 내내 살아있어야 하는 구간(Liveness window)을 2D 부울 행렬로 구성합니다. + + 행렬의 (i, j)가 True이면, i번째 변수가 j번째 연산 시점에 살아있어야 함을 의미합니다. + """ import numpy as np img = np.zeros((len(l1), len(l1))) for i, v in enumerate(l1): for j in range(i, len(l1)): + # 만약 i번째 변수가 훗날 j번째 변수를 계산할 때의 하위 의존성(g[l1[j]])에 포함되어 있으면, + # i번째 변수는 j번째 연산 시점까지 생명이 연장되어 살아있어야(live) 합니다. img[i,i:j+1] = img[i,i:j+1] + (1 if v in g[l1[j]] else 0) return img > 0 def allocate_arr (self, l): - + """Liveness 분석 데이터를 바탕으로 동적 3D 배열 레지스터 할당(Pooling)을 수행합니다. + 동시 활성 상태를 파악하여 최소 버퍼 개수(narr)를 도출하고, 변수 간 버퍼 공유 관계(var2arr)를 리턴합니다. + """ import numpy as np dg = self.dependency + # 1. 생명 주기 마스크 행렬 획득 mask = self.liveness(l, dg) + # 2. 열 방향 합계를 내어 동시에 생존해야 하는 임시 변수의 최대 개수(동시 상주 배열 피크치)를 산출 try: narr = mask.astype(int).sum(axis=0).max() except ValueError: narr = 0 + # 사용 가능한 공유 버퍼 풀 정의 array_pool = set([self.array_name.format(i) for i in range(narr)]) + # 각 계산 단계별로 살아있는 변수들의 집합 구성 livesets = [set([])] + [set(np.asarray(l)[row]) for row in mask.T] + # 기본 입력 변수들은 파일로부터 직접 매핑되므로 원래 명칭 유지 var2arr = { p : p for p in self.primary } + # 루프 연산 순서 타임라인을 한 단계씩 밟아가며 동적 버퍼 매핑 시뮬레이션 수행 for i, (s0, s1) in enumerate(zip(livesets[:-1], livesets[1:])): + # 이전 단계(s0)에는 살아있었으나 이번 단계(s1)에서는 죽은 변수들(s0 - s1)의 + # 할당 버퍼를 다시 사용 가능한 array_pool로 회수(반환)합니다. array_pool.update(map(var2arr.get, s0 - s1)) + # 이번 단계에 새로 생성되는 변수들(s1 - s0)에게 풀에서 노는 버퍼명을 Pop하여 할당(배분)합니다. for new in s1 - s0: var2arr[new] = array_pool.pop() @@ -1417,7 +1605,9 @@ class Stage4(): def work_array_codes (self): - + """생성된 Fortran 모듈 상단에 선언 및 할당/해제될 공용 3D 버퍼 배열(xyzbuffer0, ...)의 + 선언문, allocate문, deallocate문 코드를 작성합니다. + """ array_names = [self.array_name.format(i) for i in range(self.narr)] real_array_decl = "real(real64), allocatable, dimension(:,:,:) :: {0}" @@ -1429,7 +1619,9 @@ class Stage4(): def write_avg_codes (self, avglist): - + """연산 최종 완료 후 평균화가 끝난 1D 결과 데이터셋 및 미분량을 + 텍스트 파일(qEdge_X.dat, d1.dat, d2.dat)에 형식에 맞추어 라이팅하는 Fortran 서브루틴 블록을 생성합니다. + """ avg_array_write = ''' real(real64), dimension(nxp) :: xbuffer integer :: i @@ -1449,7 +1641,6 @@ open (200, file="d2.dat") {{ deriv2_lines }} close (200) ''' - avgarr = "{}(i)" deriv1_avgarr = """call ddx1d ( xbuffer, {} ) ; write (200,*) xbuffer""" deriv2_avgarr = """call d2dx1d ( xbuffer, {} ) ; write (200,*) xbuffer""" @@ -1469,16 +1660,20 @@ close (200) def print_program (self): - # Initialize SympyOptimizer and set the averaged fields to collect targets + """4단계 최적화(공유 Pooling 버퍼 매핑 및 SymPy CSE 치환)가 완료된 + 가장 고성능의 최종 Fortran 모듈 코드를 생성하기 위해 Jinja2용 딕셔너리를 빌드합니다. + """ opt = SympyOptimizer.get_instance(self.derived) opt.set_averaged(self.averaged) allvar = dict(self.derived) allvar.update(self.averaged) + # 평균 변수들을 순서대로 분배 set1 = sorted([a.name for a in filter(AveragedField.pass1, self.averaged.values())]) set2 = sorted([a.name for a in filter(AveragedField.pass2, self.averaged.values())]) + # 외부 디스크 파일 익스포트 활성화 여부 확인 set_export_on = list(filter(lambda x: x.export_on(), self.derived.values())) ffmt = 'logical, parameter :: pass2_required={}' @@ -1487,22 +1682,28 @@ close (200) hfmt = 'character (len = *), parameter :: output_header="{}"' declh = hfmt.format(" ".join(["x"] + set1 + set2)) + # 공용 Pooling 3D 버퍼 배열의 선언/할당 코드 생성 declarr, allocarr, freearr = self.work_array_codes() + # 1차원 평균 물리량 배열들의 선언/할당 코드 생성 declavg = "\n".join(self.averaged[v].code_decl() for v in sorted(self.averaged)) allocavg = "\n".join(self.averaged[v].code_alloc() for v in sorted(self.averaged)) freeavg = "\n".join(self.averaged[v].code_free() for v in sorted(self.averaged)) + # 병렬 파일 쓰기(MPI Subarray)를 위한 MPI 리소스 선언/할당 코드 생성 decl_export = "\n".join(v.exporter.code_decl() for v in set_export_on) alloc_export = "\n".join(v.exporter.code_alloc() for v in set_export_on) free_export = "\n".join(v.exporter.code_free() for v in set_export_on) + # Pass 1과 Pass 2 루프 내부 본문 연산 코드들을 생성 (각자 버퍼 맵 alloc1, alloc2 적용) sub_calc1 = "\n".join(allvar[v].code(self.alloc1) for v in self.pass1 if v in self.averaged or v in self.alloc1) sub_calc2 = "\n".join(allvar[v].code(self.alloc2) for v in self.pass2 if v in self.averaged or v in self.alloc2) + # 평균 누적 연산 코드 생성 sub_avg1 = "\n".join(allvar[v].code_avg() for v in set1) sub_avg2 = "\n".join(allvar[v].code_avg() for v in set2) + # 파일 쓰기 루틴 코드 생성 sub_write_avg = self.write_avg_codes(set1+set2) md = {} @@ -1519,17 +1720,13 @@ close (200) return md - - - def save_ir (self): - + """코드 생성 디버깅을 위해 중간 컴파일 단계 변수 목록 및 의존성 맵을 JSON 형태 파일로 덤프합니다.""" import json dg = {k:list(v) for k,v in self.dependency.items()} with open("ir2.py", "w") as irf: - print("g = ", json.dumps(dg, indent=4), file=irf) print("l1 = ", json.dumps(self.pass1, indent=4), file=irf) print("l2 = ", json.dumps(self.pass2, indent=4), file=irf) @@ -1537,7 +1734,9 @@ close (200) print("avg2 = ", json.dumps(list(map(repr,self.avg2)), indent=4), file=irf) class Stage5(): - ''' pass1 and pass2 seperation and calculation ordering ''' + """예비 단계: 확장된 루프 분할 및 연산 재정렬을 수행하는 플레이스홀더 클래스입니다.""" + pass class Stage6(): - ''' generate fortran code ''' + """예비 단계: 최종 다이렉트 Fortran 기계 최적화 코드 출력 플레이스홀더 클래스입니다.""" + pass