گراف وابستگی (DAG)
ارجاع به نمادهای جلوتر در فایل، حل وابستگی، تشخیص چرخه، اشتراک محاسبات مشترک و حذف گرههای بلااستفاده.
COMPUTATION LANGUAGE RESEARCH · ALPHA 0.1.0 · 12 NOVEMBER 2026
DARKOZA Arrival Graph یک زبان آزمایشی برای تعریف محاسبات بهصورت گراف روابط است. ایدهٔ الهامبخش آن غیرخطیبودن نمادپردازی در فیلم Arrival است؛ پیادهسازی واقعی آن بر گراف وابستگی، اشتراک محاسبات و بازنویسیهای معناییِ کنترلشده تکیه دارد.
در این طراحی، برنامه صرفاً فهرستی از دستورهای پشتسرهم نیست؛ نویسنده روابط و خروجیهای موردنیاز را توصیف میکند و کامپایلر وابستگیها را حل میکند. ترتیب نوشتن رابطهها الزاماً ترتیب اجرا نیست. این الهام مفهومی از روایت فیلم است، نه ادعای بازسازی زبان هپتاپادها یا تغییر قوانین فیزیک محاسبات.
module safe_rewrites;
circle {
input x: Int;
glyph step_1 = add(x, 0);
glyph step_2 = mul(step_1, 1);
glyph step_3 = sub(step_2, 0);
glyph step_4 = add(step_3, 0);
glyph step_5 = mul(step_4, 1);
output step_5;
}
این برنامه پنج عملیات همانیِ زنجیرهای را توصیف میکند. موتور E-Graph آنها را با قواعد مجاز حذف میکند و مستقیماً همان ورودی را خروجی میدهد.
ارجاع به نمادهای جلوتر در فایل، حل وابستگی، تشخیص چرخه، اشتراک محاسبات مشترک و حذف گرههای بلااستفاده.
نگهداری نمایشهای معادل در کلاسهای همارزی و استخراج نمایش کمهزینهتر، با بودجهٔ محدود برای تعداد گرهها و دورهای بازنویسی.
حذف جمع با صفر، تفریق صفر، ضرب در یک و محاسبهٔ ثابتها؛ قواعدی که رفتار خطای سرریز را تغییر دهند فعلاً غیرفعالاند.
اگر بودجهٔ E-Graph تمام شود، موتور به گراف اولیه بازمیگردد و وضعیت fallback را گزارش میکند؛ بهینهسازی نباید صحت اجرای مرجع را قربانی کند.
| آزمونهای کل پروژهٔ زبان | ۴۳ از ۴۳ موفق |
|---|---|
| نمونهٔ پنجعملیاتی | ۵ عملیات حسابی به ۰ عملیات زمان اجرا کاهش یافت |
| خروجی | ۱۲۳٬۴۵۶٬۷۸۹؛ معادل ورودی |
| میانهٔ اجرای گرمِ مرجع | ۶٬۴۱۰ نانوثانیه |
| میانهٔ اجرای گرمِ بهینهشده | ۱٬۶۲۶ نانوثانیه |
| نسبت همین benchmark مصنوعی | حدود ۳٫۹۴ برابر |
| هزینهٔ optimizer | حدود ۰٫۲۱۳ میلیثانیه در همان اجرا |
| نقطهٔ سربهسر تقریبی | حدود ۴۵ بار استفادهٔ مجدد |
این benchmark فقط زنجیرهای از عملیات همانی را اندازه میگیرد و اجرای گرم را مقایسه میکند؛ نه برنامههای عمومی، نه زمان ساخت کامل، نه I/O و نه بار چندکاربره. در اجرای منفرد ممکن است هزینهٔ بهینهسازی از سود آن بیشتر باشد؛ cache کردن artifact کامپایلشده برای استفادههای تکراری ضروری است.
گوگولپلکس برابر ۱۰ به توان ۱۰ به توان ۱۰۰ است. چنین ضریب کاهشی برای همهٔ برنامهها هدف محاسباتیِ قابلاثباتی نیست؛ تعداد عملیات گسسته است و هر مسئله حداقل هزینهٔ لازم برای خواندن ورودی و تولید خروجی دارد. هدف مهندسی معتبر ما حذف تمام کار تکراری و غیرضروری، کاهش مرتبهٔ پیچیدگی در مسائلی است که الگوریتم بهتری دارند، و اثبات هر بهبود روی workload واقعی است. ادعای کاهش عمومی به اندازهٔ گوگولپلکس مطرح نمیشود.
این پیشنمایش در حال حاضر فقط بهصورت محلی اجرا میشود. اجرای آنلاین کد کاربران روی سرور Darkoza هنوز فعال نیست؛ تا زمان تکمیل sandbox ایزوله، سهمیهٔ CPU/RAM، کنترل همزمانی و بررسی امنیتی مستقل، چنین سرویسی فعال نخواهد شد.
دریافت بستهٔ آزمایشی (ZIP) · دریافت نمونهٔ زبان (DGZ) · راهنمای نصب و اجرا · گزارش فنی و شواهد آزمون · گزارش خام ۴۳ آزمون · دادهٔ benchmark · مانیفست SHA-256
python3 -m unittest discover -s tests -v
bin/dkzg check examples/optimized-graph.dgz --optimize
bin/dkzg run examples/optimized-graph.dgz \
--inputs '{"x":123456789}' --optimize
نیازمندی: Python 3.10 یا جدیدتر؛ وابستگی خارجی ندارد. وضعیت مجوز بازاستفاده و بازنشر هنوز تعیین نشده است؛ دسترسی عمومی به فایل بهتنهایی مجوز بازنشر یا استفادهٔ تجاری مستقل ایجاد نمیکند.
بهینهسازی باید از حقیقت معنایی و هزینهٔ اندازهگیریشده پیروی کند. هیچ تبدیل جبری نباید خروجی، خطاها یا رفتار قابلمشاهده را بیدلیل تغییر دهد. هیچ ادعای سرعتی نیز بدون خط مبنا، نمونهٔ قابلبازتولید و اندازهگیری مستقل به کاربران ارائه نمیشود.