DNSSE: Framework di Test Guidato da LLM per Programmi AI Paralleli Distribuiti
Una recente sottomissione su arXiv (2608.07947) presenta Directed Neuro-Symbolic Stochastic Execution (DNSSE), un nuovo framework progettato per testare applicazioni AI parallele distribuite. Questo approccio ibrido integra la previsione di schedule assistita da LLM con la risoluzione di vincoli simbolici e la mutazione stocastica guidata dalla copertura per affrontare problemi di affidabilità nei processi paralleli non deterministici. DNSSE concettualizza le operazioni AI distribuite come sistemi di transizione non deterministici e definisce la correttezza usando la logica temporale lineare. Gli autori dimostrano la solidità, la completezza limitata e la completezza probabilistica del loro solver ibrido, insieme a un'analisi dei costi attesi relativi all'esplorazione di schedule guidata da LLM. Implementato su PyTorch e Ray, il sistema identifica il 2,9% in più di bug di concorrenza rispetto al baseline leader, migliorando al contempo la copertura media. L'articolo è accessibile tramite l'URL fornito.
Fatti principali
- L'articolo arXiv:2608.07947 introduce DNSSE, un framework di test ibrido per programmi AI paralleli distribuiti.
- DNSSE combina la previsione di schedule guidata da LLM con la risoluzione di vincoli simbolici e la mutazione stocastica guidata dalla copertura.
- Il framework modella le esecuzioni AI distribuite come sistemi di transizione non deterministici.
- La correttezza è specificata in logica temporale lineare.
- Il solver ibrido è dimostrato essere solido, completo limitato e probabilisticamente completo.
- Viene fornita un'analisi dei costi attesi dell'esplorazione di schedule guidata da LLM.
- L'implementazione su PyTorch e Ray rileva il 2,9% in più di bug di concorrenza rispetto al baseline più forte.
- L'articolo è annunciato come una nuova sottomissione su arXiv.
Entità
Istituzioni
- arXiv
- PyTorch
- Ray