TensorBound: Characterizing Tensor Binding Failures in AI Compiler and Runtime Stacks↗ (원문, 새 창)

TensorBound는 AI 컴파일러·런타임 스택이 텐서 값과 그 연산·저장·실행 상태 간 결속을 유지하지 못해 발생하는 '텐서 바인딩 실패'를 실증적으로 연구한 사례다. IREE, XLA, PyTorch 생태계에서 264건의 보고서를 분석하고 수정 전후 리비전 비교를 통해 149개의 서로 다른 수정된 원인을 재구성했으며, 각 재구성은 최초 잘못된 결정을 위반된 조건, 물리적 영향, 수정 방법까지 연결한다. 누락된 적격성 검사, 잘못된 매핑이나 변환, 손실·누락된 관계가 전체 수정 원인의 69.1%를 차지해 바인딩 사실 보존과 사용 조건 점검의 필요성을 보여준다. 컴파일러 코드 내 101개의 최초 잘못된 결정은 실행 전 점검 지점의 후보가 되며, 이는 표현 간 바인딩 사실을 보존하고 소비 시점 결정에서 필요한 조건을 강제하는 전환 특화 점검을 제안하는 근거가 된다.

• IREE, XLA, PyTorch에서 텐서 바인딩 실패 264건을 분석해 149개 원인 재구성
• 누락된 적격성 검사·잘못된 매핑·손실된 관계가 전체 원인의 69.1% 차지
• 각 사례를 최초 잘못된 결정부터 위반 조건, 수정까지 연결해 재구성
• 컴파일러 코드 내 101개 최초 잘못된 결정을 실행 전 점검 후보로 식별
• 표현 간 바인딩 사실을 보존하는 전환 특화 점검 체계를 제안