一句话：将 Einstein 求和编译为局部性感知的数据流，以利用细粒度内存的数据复用并降低对底层加速器专家知识的依赖。
现有数据流加速器编译器通常把数据流程序中的每个节点映射到专用硬件元件，从而获得高性能，但这种做法忽略了利用 FIFO、流水线寄存器等细粒度存储元件的数据带宽所必需的数据复用优化。此外，用户必须掌握底层数据流加速器的领域知识才能编写高效的数据流程序。本文提出 Sigma，面向 Einstein 求和，将其编译为 locality-aware dataflow（局部性感知数据流），旨在在编译阶段显式考虑存储层次和数据局部性，从而实现更好的数据复用，并缓解手工编写高效数据流程序时的专家知识负担。标题表明其核心是编译到局部性感知的数据流表示或硬件映射。原文摘要未报告具体实验设置、基准或性能结果，因此无法从给定摘要判断其定量效果。
Most dataflow accelerator compilers achieve high performance by mapping each node in a dataflow program to a dedicated hardware element on a dataflow accelerator. However, this approach misses critical data reuse optimizations required to exploit the data bandwidth from fine-grained memory elements, e.g., FIFOs and pipeline registers. Moreover, writing performant dataflow programs requires users to have domain expertise in the underlying dataflow accelerators.