Nov, 2023

Verilog-to-PyG - RTL 设计上的图学习和增强框架

PDF
TL;DR现代硬件设计的复杂性需要先进的方法来优化和分析数字系统。最近，机器学习方法已经成为评估寄存器传送级（RTL）或布尔级设计质量结果的强大工具，旨在加快高级 RTL 配置的设计探索。本文介绍了一种创新的开源框架，将 RTL 设计转化为图形表示基础，并可与 PyTorch Geometric 图学习平台无缝集成。此外，Verilog-to-PyG（V2PYG）框架与开源的电子设计自动化（EDA）工具链 OpenROAD 兼容，以完全开源的方式促进了标记数据集的收集。此外，我们将展示我们框架中集成的新型 RTL 数据增强方法，实现了用于构建广泛基于图形的 RTL 设计数据库的功能等效增强。最后，我们将展示 V2PYG 的几个使用案例，并提供详细的脚本示例。V2PYG 可在 https://yu-maryland.github.io/Verilog-to-PyG/ 找到。
hardware designsmachine learningrtl designsgraph representationdata augmentation
发现论文，激发创造
  • 一种 Verilog 自动完成的深度学习框架 —— 向设计和验证自动化

    本文提出一种基于深度学习的 Verilog 自动补全模型的训练框架，该框架通过将通用编程语言预训练模型与类似目标下游任务的数据集集成并进行微调来验证，实验结果表明，该框架相比于从头开始训练的模型，具有更好的 BLEU、ROUGE-L 和 chrF 评分。

    Apr, 2023

  • 全你所需：通过自动化的设计数据增强框架，通过微调 LLMs 进行芯片设计

    通过自动生成与 Verilog 和 EDA 脚本对齐的高容量高质量自然语言，本研究提出了一种自动化设计数据增强框架，以改善 LLM 在 Verilog 代码生成和 EDA 脚本生成任务中的表现。结果表明，使用我们的增强方法对 Llama2-13B 和 Llama2-7B 模型进行微调在 Verilog 生成任务中有显著改善，并且与当前最先进的开源 Verilog 生成模型相比，Verilog 生成的准确性从 58.8％提高到 70.6％。与 GPT-3.5 相比，我们的 13B 模型（ChipGPT-FT）在 Verilog 生成和 EDA 脚本生成方面具有更好的性能。

    Mar, 2024

  • 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

  • BetterV: 有指导的可控 Verilog 生成

    提出了一种基于大型语言模型的 Verilog 生成框架，该框架细调经过处理的特定领域数据集，通过引导生成辨别器来满足特定设计需求，实现对 Verilog 的自动化生成和优化，以及在电子设计自动化相关任务中的卓越性能改善。

    Feb, 2024

  • 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

  • 编程语言处理的多视角图形表示：算法检测研究

    本文提出了一种多视图图形编程表示方法，使用图形神经网络处理数据和控制流，并在此基础上评估了该方法在算法检测中的性能，结果表明这种方法比先前的方法表现得更好。

    Feb, 2022

  • VeriGen: Verilog 代码生成的大型语言模型

    通过在 Verilog 数据集上微调现有的 Large Language Models（LLMs），我们探索了使用 LLMs 自动生成高质量的 Verilog 代码的能力。微调后的开源 CodeGen-16B 模型在功能正确性上优于最先进的商业 GPT-3.5-turbo 模型，并在多样化和复杂的问题集中表现出竞争性能，尤其在某些场景下显示了对生成正确 Verilog 代码的潜力，突出了内部小型 LLMs 在硬件设计自动化方面的潜力。

    Jul, 2023

  • 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

  • GraPhSyM: 图物理综合模型

    GraPhSyM 是基于图注意力网络 (GATv2) 模型的一项工作，可从物理综合前电路网表中快速准确地估计电路延迟和面积指标，为早期电子设计自动化（EDA）阶段（如逻辑综合）提供准确的最终设计指标可见性，同时消除了运行慢的物理综合流程，实现跨阶段的全局协同优化，此外，GraPhSym 提供的快速而准确的反馈对于基于机器学习的 EDA 优化框架至关重要。

    Aug, 2023

  • 走向 ML4EDA 的 Imagenets

    描述了在硬件域中策划、维护和扩大两个大规模、高质量数据集的挑战，以及有关数据集质量、安全性和硬件领域定制数据增强工具的使用的相关问题。

    Oct, 2023