MLIR (Multi-Level Intermediate Representation)（エムエルアイアール）
Google が開発したマルチレベル中間表現コンパイラ基盤。LLVM プロジェクトの一部として、機械学習モデルの最適化からハードウェア固有コード生成まで、複数の抽象化レベルを統一的に扱うインフラストラクチャを提供する。
MLIR とは
MLIR（Multi-Level Intermediate Representation）は Google が 2019 年に発表し、LLVM プロジェクトに統合されたコンパイラインフラストラクチャである。従来のコンパイラが単一の中間表現（IR）を使用するのに対し、MLIR は 複数の抽象化レベル（Dialect） を定義・組合せできる設計を持ち、機械学習コンパイラからハードウェア記述言語まで幅広い領域で採用されている。
設計思想：Dialect システム
MLIR の核心は Dialect（方言） と呼ばれるモジュラーな IR 定義システムにある。
| Dialect | 抽象度 | 用途 |
|---|---|---|
| linalg | 高 | 線形代数演算（行列積・畳み込み） |
| affine | 中 | ループネスト・タイル化・データ局所性最適化 |
| scf | 中 | 構造化制御フロー（for/if/while） |
| memref | 中-低 | メモリ参照・バッファ管理 |
| vector | 中-低 | SIMD ベクトル演算 |
| gpu | 低 | GPU カーネルのローンチ・スレッド管理 |
| llvm | 最低 | LLVM IR への直接マッピング |
高レベル Dialect から低レベル Dialect への段階的な変換（Lowering）により、各段階で最適化パスを適用できる。これにより、TensorFlow のグラフ最適化と LLVM のマシンコード最適化を 同一フレームワーク内 で実行可能になった。
MLIR を採用する主要プロジェクト
- TensorFlow: tf2xla パイプラインの内部 IR として MLIR を使用。MHLO Dialect で HLO グラフを表現
- JAX/XLA: StableHLO Dialect 経由で MLIR ベースの最適化を適用
- Triton (OpenAI): GPU カーネルコンパイラの内部 IR として Triton Dialect を MLIR 上に構築
- IREE: Google が開発する ML ランタイム。MLIR から CPU/GPU/NPU 向けコードを生成
- Torch-MLIR: PyTorch モデルを MLIR パイプラインに接続するブリッジ
- CIRCT: ハードウェア記述言語（Verilog/VHDL）のコンパイラを MLIR 上に構築するプロジェクト
最適化パスの例
MLIR の変換パイプラインでは以下のような最適化が段階的に適用される。
- 演算融合（Op Fusion）: 連続する行列演算を単一カーネルに融合し、メモリアクセスを削減
- タイリング（Tiling）: 大きな行列演算をキャッシュに収まるタイルサイズに分割
- バッファ化（Bufferization）: テンソルの値セマンティクスからメモリ参照セマンティクスへの変換
- ベクトル化（Vectorization）: スカラー演算を AVX-512 や NEON のベクトル命令に変換
- 並列化（Parallelization）: ループの並列実行可能性を解析し、OpenMP/GPU スレッドにマッピング
FAQ
Q1: MLIR と LLVM IR の違いは？
LLVM IR は CPU 向けの低レベル命令に特化した単一レベルの IR である。MLIR は LLVM IR を含む複数の抽象レベルを統一的に扱え、テンソル演算やGPUカーネルなど LLVM IR では表現困難な高レベル概念を直接記述できる。MLIR の最終出力として LLVM IR を生成するケースが多い。
Q2: MLIR は PyTorch ユーザーに直接関係するか？
torch.compile の内部で Triton（MLIR ベース）が GPU カーネル生成に使われているため、間接的に恩恵を受けている。ただし通常の PyTorch 開発者が MLIR を直接操作する必要はない。
Q3: MLIR を学ぶにはどこから始めるべきか？
LLVM の公式ドキュメントにある MLIR チュートリアル（Toy Language）が入門に最適。Dialect の定義からパス実装まで段階的に学べる。C++ の知識と基本的なコンパイラ理論の理解が前提となる。