Aug, 2023

SEER：使用 MLIR 和 E 图重写的高层次综合超优化探索器

PDF
TL;DR高级综合（HLS）是将高级语言中的软件程序自动转换为低级硬件描述的过程。本文提出了一种超级优化方法，通过使用 e-graph 重写技术自动将任意软件程序改写为高效的 HLS 代码，以生成优化的硬件设计。通过对开源基准测试的一组实验，我们展示了 SEER 在提高性能的同时仅占用 1.4 倍的面积，通过英特尔提供的案例研究，SEER 证明了其能够超越硬件专家手动优化设计的潜力。
发现论文，激发创造
  • AutoHLS: 学习加速高层次综合设计的设计空间探索

    AutoHLS 是一种将深度神经网络（DNN）与贝叶斯优化（BO）相结合的新型框架，用于加速高级综合（HLS）硬件设计优化，通过整合 DNNs 来预测在给定 FPGA 资源预算内的可合成性，实验证明其在探索时间上可达到 70 倍的加速。

    Mar, 2024

  • 高层综合下的电子设计自动化的跨模态程序表示学习

    通过深度和精细的方式，结合源代码序列模式和图模式的相互作用，自动预测高级综合设计的质量，并在设计空间探索任务中获得显著性能改进。

    Jun, 2024

  • 跳过基准：使用生成机器学习生成系统级高级综合数据

    该论文提出了一种名为 Vaegan 的新方法，利用生成式机器学习生成足够强大以支持复杂系统级高级综合设计空间探索实验的合成数据，该方法使用变分自动编码器（VAE）和生成对抗网络（GAN）来进行任务，并使用先进的数据集和度量标准对方法进行评估，与之前的工作进行比较，表明 Vaegan 可以有效生成与真实数据分布接近的合成高级综合设计空间数据。

    Apr, 2024

  • mlirSynth: 自动的，可重新定位的多级 IR 中的程序提升，使用程序综合

    使用可用的方言定义和类型约束，mlirSynth 实现了将低级 MLIR 方言转化为高级方言的程序翻译方法，并在 C 程序和领域特定加速器中展示了其有效性。

    Oct, 2023

  • ProgSG：电子设计自动化程序跨模态表示学习

    该论文提出了一种名为 ProgSG 的方法，结合源代码序列模态和图模态，实现深入和精细的互动，以促进领域特定加速器（DSAs）的自动化设计并解决现有高级综合工具需要进行微体系结构决策的问题。

    May, 2023

  • MLIR：摩尔定律终结的编译器基础设施

    MLIR 是一种新型的编译器基础结构方法，旨在通过适应不同应用域、硬件目标和执行环境的代码生成器、转换器和优化器，解决软件碎片化问题，改善异构硬件编译，显著降低领域特定编译器的构建成本，促进现有编译器的连接，同时提供扩展和演进的研究工具。

    Feb, 2020

  • 高层次综合中基于 GNNs 的层次化源到后路 QoR 预测

    高层次综合通过避免 RTL 编程显著加速了硬件设计过程。然而，当考虑了后布线结果质量（QoR）时，高层次综合的周转时间显著增加。为了解决这个问题，我们提出了一种用于 FPGA 高层次综合的分层后布线 QoR 预测方法，它具有：（1）一种从 C/C++ 程序直接估计延迟和后布线资源使用的建模流程；（2）一种有效表示源代码的控制流图和数据流图以及高层次综合指令的影响的图构建方法；（3）一种能够捕捉循环层次影响的分层 GNN 训练和预测方法。实验结果表明，我们的方法对于不同类型的 QoR 指标的预测误差小于 10%，相比于最先进的 GNN 方法有了巨大的改进。通过采用我们提出的方法，高层次综合中的设计空间探索运行时间缩短到了几十分钟，平均实现的 ADRS 值降低到了 6.91%。

    Jan, 2024

  • HLSFactory: 提升高级合成数据集的框架，面向机器学习和更多应用

    机器学习在高级综合流程中的应用及其对质量结果预测、设计空间探索方面的影响。同时，提出了 HLSFactory 框架，通过设计空间扩展、设计合成和数据聚合等三个阶段来管理高质量的 HLS 设计数据集。

    May, 2024

  • Souper: 一种综合的超级优化器

    通过 Souper 合成超级优化器进一步推进了编译器优化自动化，检测到 Souper 的中间表示与 Microsoft Visual C ++ 中的表示相似，成功地应用于对这个编译器的优化。LLVM 和 Microsoft Visual C ++ 编译器的最终版本都含有 Souper 推荐的但是手动实现的优化。同时，应用 Souper 作为完全自动化优化的半个优化器的 Clang 编译器二进制文件比 LLVM 编译的二进制文件小 3 MB（4.4％）.

    Nov, 2017

  • Pyramid: 机器学习框架估计高层综合设计的最佳时机和资源使用

    提出了一个基于机器学习的框架 Pyramid，通过使用已有的数据，大大提高了高级综合（HLS）所设计的硬件的性能优化，将复杂的 CAD 工具分析简单化，提高了预估工作的准确度。

    Jul, 2019