1. 개요 (Philosophy)
그래프를 단순한 리스트가 아닌 위상 정보와 속성 정보가 결합된 행렬 집합으로 취급
이를 통해 패턴 매칭 문제를 행렬의 필터링 및 논리 연산 문제로 치환하여 수학적 엄밀성과 처리 효율을 확보
2. 핵심 행렬 정의
2.1 연결 행렬 (Adjacency Matrix, A)
N 개의 op 이 존재할 때,

- 특성 : DAG 이므로 A 는 적절한 인덱스 정렬 시 하삼각 행렬 형태
2.2 속성 / 타입 행렬 (Attribute Matrix, T)
각 Op 의 kind 정보를 나타내는 Sparse 행렬의 정의
- 특정 타입 k 인 Op 들만 선택하는 선택 행렬을 활용
3. 수학적 패턴 매칭 (Algebraic Matching)
3.1 Linear Chain 패턴 ( A -> B )
Op i 와 Op j 가 직접 연결된 모든 쌍을 찾는 행렬 M

- M_ij 가 1이면 Op_i, Op_j 는 Fusion 후보가 된다
3.2 Multi-step 패턴 (A -> B -> C )
연쇄적인 3개 이상의 Op 를 매칭할 때는 행렬 곱의 결합 법칙을 이용

M_ik = 1 인 지점은 해당 경로가 존재함을 의미
4. 알고리즘 워크플로우
- Matrix Construction
- Pattern Filtering
- Conflict Resolution
- Graph Rewrite
'AI Compiler framework' 카테고리의 다른 글
| AI Compiler의 의미론적 최적화 구조 분석 - Rule_based Graph Rewrite vs RFM Algebraic Approach (0) | 2026.02.24 |
|---|---|
| 바이너리 인접 행렬 Binary Adjacency Matrix 에서 Rich Feature Matrix 표현으로의 확장 (0) | 2026.02.24 |
| AICF v2 – FWD Optimize Snapshot 기반 Autodiff + CUDA Graph 학습 경로 (0) | 2026.02.22 |
| AICFv2: 연산자 일반화 및 시스템 통합 아키텍처 보고서 (0) | 2026.02.22 |
| 미분 그래프 구성 방식에 대한 변경 - layer 순회에서 최적화된 emit 표현의 역순회 (0) | 2026.02.21 |