현대적인 딥러닝 워크로드(workloads)는 연산 집약적(compute-intensive) 연산자와 메모리 집약적(memory-intensive) 서브그래프(subgraphs)가 결합된 이기종 계산 그래프(heterogeneous computation graphs)로 구성되는 경우가 점점 늘어나고 있습니다. 기존의 딥러닝 컴파일러(compilers)는 일반적으로 이러한 연산자 클래스들을 별도로 최적화하며, 이는 연산자 간 최적화(cross-operator optimization)와 온칩 데이터 재사용(on-chip data reuse)을 제한하는 경직된 융합 경계(fusion boundaries)를 생성합니다. 우리는 다운스트림(downstream)의 메모리 집약적 연산들이 연산 집약적 연산자들과 동시에 실행될 수 있어, 연산 뒤로 그 실행을 숨길 수 있다는 점을 관찰했습니다. 그러나 이러한 기회를 자동으로 활용하는 것은 새로운 컴파일 과제를 제기합니다. 본 논문에서는 연산 집약적 연산자와 의존성이 풍부한 메모리 집약적 요소별 감소(elementwise-reduction) 서브그래프로 구성된 복잡한 그래프 구조를 위해 고성능 커널(kernels)을 생성하는 새로운 연산자 융합(operator fusion) 전략을 채택한 자동화된 GPU 컴파일 시스템인 ComFuse를 제안합니다. ComFuse는 더 나아가 연속적인 GEMM (B2BGEMM) 패턴의 융합을 지원하여, 더 복잡한 연산-메모리 상호작용 패턴으로 적용 범위를 확장합니다. 또한, 고수준 텐서 서브프로그램(high-level tensor subprograms)을 최적화된 융합 커널로 자동 변환(lowers)하여 수동 커널 엔지니어링의 필요성을 줄여줍니다. 실험 결과에 따르면, ComFuse가 생성한 융합 커널은 더 유연한 융합 패턴을 지원하는 동시에, post-norm 워크로드 및 다양한 복잡한 계산 시나리오 전반에서 TorchInductor가 생성한 커널보다 우수한 성능을 보여줍니다.