최근 대규모 언어 모델 (LLMs)의 발전으로 자동화된 커널 생성 및 최적화가 가능해졌으나, 기존의 대부분의 접근 방식은 컴파일 피드백(compilation feedback) 및 프로파일링 지표(profiling metrics)와 같은 표면적인 신호에 의존합니다. 이러한 신호들은 커널이 느리다는 점은 알려주지만, 특히 NPU와 같은 신흥 가속기(accelerators)에서 백엔드 컴파일러가 왜 수익성 있는 최적화를 실현하지 못하는지에 대한 이유는 알려주지 않습니다. 따라서 우리는 소스 코드를 다시 작성하기 전에 런타임 증상(runtime symptoms)을 IR 구조 및 컴파일러 동작과 연결하는 점진적인 교차 계층 진단(cross-layer diagnosis) 문제로 커널 최적화를 정식화합니다. 이러한 통찰을 바탕으로, 우리는 Triton 커널을 위한 컴파일러 기반의 계층적 최적화 프레임워크인 우리 시스템을 제시합니다. 이 시스템은 더 깊은 증거가 필요할 때만 경량 패턴 분류(pattern triage) 및 프로파일링 진단에서 IR 귀속(IR attribution) 및 컴파일러 기반 분석으로 단계를 격상하며, 그 후 증거에 기반한 소스 수준의 재작성(source-level rewrites)을 제안합니다. 우리는 Ascend NPU를 위한 Triton에 이 시스템을 구현하였으며, 표준화된 NPUKernelBench에서 파생된 Ascend 950 벤치마크의 성공적으로 변환된 37개 항목에 대해 평가를 수행했습니다. 이 항목들 전반에 걸쳐, 시스템은 초기 커널 대비 최적화된 Triton 커널로부터 4.35$ imes$의 기하 평균 속도 향상(geometric-mean speedup)과 2.73$ imes$의 중앙값 속도 향상(median speedup)을 달성했습니다. 37개 중 22개는 2$ imes$를 초과했고, 13개는 5$ imes$를 초과했습니다. 전체 분포는 베이스라인에 가까운 항목부터 큰 성능 향상을 보인 항목까지 다양하며, 이는 현재 시스템의 범위와 한계에 대한 투명한 보고의 필요성을 시사합니다.