Mar, 2024

AutoHLS: 学习加速高层次综合设计的设计空间探索

PDF
TL;DRAutoHLS 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。
high-level synthesisautohlsdeep neural networkbayesian optimizationquantum neural networks
发现论文，激发创造
  • 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

  • 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

  • FPGA 的 Holistic Auto Machine Learning（HALF）

    本研究提出了一种跨层设计空间探索的自动化方法，利用 HALF 框架，结合进化搜索算法、各种最优化步骤和参数化硬件 DNN 模块的库，为嵌入式系统上的深度神经网络实现在成本标准下的优化解决方案，提升了 DNN 在 FPGA 上的性能表现，且在医疗应用的心律失常检测中，得到了较佳效果。

    Jun, 2021

  • 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

  • GNNHLS：通过高层综合评估图神经网络推断

    通过高级综合技术，在 FPGA 上加速图神经网络推理，实现了高达 50.8 倍的加速和 423 倍的能量降低，与 CPU 基线相比，以及高达 5.16 倍的加速和 74.5 倍的能量降低，与 GPU 基线相比。

    Sep, 2023

  • MetaML：用于深度学习加速的可定制跨阶段设计流程自动化

    本论文介绍了一种新的针对深度神经网络（DNN）硬件加速器的优化框架，它能够快速开发定制化和自动化的设计流程，同时具有高度可定制性和灵活性，通过引入新的优化和转换任务，不需要人类专业知识，可以在保持准确性的同时大幅度降低 DSP 和 LUT 使用，相较于现有技术，具有更高的精度和更少的 DSP 资源使用率。

    Jun, 2023

  • 神经加速器的硬件 / 软件学习式协同设计

    本文提出一种基于硬件 / 软件协同设计的新的约束贝叶斯优化框架，可以自动识别联合设计空间中的优化点，应用于各种神经模型，改善能量延迟产品的性能。

    Oct, 2020

  • 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

  • AutoAccel：具有组合、并行和流水线架构的自动化加速器生成和优化

    本文提出了可组合、并行和流水线 (CPP) 微体系结构作为加速器设计的模板，并介绍了一种分析模型来捕捉 CPP 微体系结构的不同设计配置之间的性能和资源权衡，为快速设计空间探索奠定了基础，最终开发了 AutoAccel 框架来自动生成加速器设计。

    Jul, 2018