机器学习驱动的高层次综合设计空间探索优化新方法：加速与效率的双重突破

为解决高层次综合(HLS)中多目标优化问题的计算复杂性和效率瓶颈，研究人员开发了一种结合模拟退火(SA)与支持向量回归(SVR)的混合优化方法。通过创新的三部分解编码方案和机器学习辅助成本评估，在7个基准测试中实现最高53.38%的性能提升，时间节省达129秒，同时解决方案质量提升5.4%。该研究为VLSI设计自动化提供了高效探索新范式。

　　

随着集成电路(IC)晶体管密度遵循摩尔定律指数级增长，现代芯片设计面临前所未有的复杂度挑战。电子设计自动化(EDA)工具成为应对这一挑战的核心手段，其中高层次综合(HLS)技术通过将算法描述转换为硬件实现，显著提升了设计抽象层级。然而，当数据流图(DFG)包含94个节点时，设计空间解数量高达2.77×10³⁷¹
种，远超宇宙原子总数(10⁸⁰
)。传统方法在平衡延迟(latency)与面积(area)约束时，存在计算效率低下和优化质量受限的双重困境。

Ataturk大学计算机工程系的Esra Celik和Deniz Dal团队在《Microprocessors and Microsystems》发表研究，提出融合元启发式与机器学习的新型HLS优化框架。该工作通过两项核心技术突破：基于C++的三部分解编码SA算法（整合调度、资源分配与绑定），以及采用Intel?加速Scikit-learn的SVR模型预测成本，在MatMul等复杂基准测试中实现质量与效率的协同提升。

关键技术方法包括：1) 建立包含N!·R^N
·RI^N
解空间的三部分编码模型；2) 开发SA参数自适应调节启发式；3) 构建C++/Python混合架构，利用SVR替代传统成本函数；4) 采用DiffEq等7个基准测试验证，节点数11-94不等；5) 通过Intel?扩展优化Scikit-learn训练速度。

研究结果部分显示：
《传统模拟退火方法》：
创新三部分编码方案相较单部分编码，在所有基准测试中平均提升性能53.38%，其中资源绑定模块采用RI^N
空间搜索策略效果最佳。

《机器学习驱动模拟退火方法》：
在节点数>50的MatMul、IntAux和MCM测试中，SVR模型保持解决方案质量同时减少129秒计算时间，节省的时间用于扩大搜索范围可额外获得5.4%质量改进。

《实验分析》：
对于小型DFG（如11节点的DiffEq），传统SA与机器学习方法结果一致但后者耗时更长；而94节点场景下，混合方法将解空间评估速度提升3个数量级。

该研究通过六项原创贡献重新定义了HLS优化范式：1) 首个三部分可独立扰动编码方案；2) 扰动频率动态调节启发式；3) 首次在HLS内部流程集成机器学习；4) 基于模型的NP难问题成本预测方法；5) C++/Python优势互补的混合编程框架；6) 利用Intel?指令加速模型训练。这些突破不仅解决了VLSI设计中的"生产力鸿沟"，更为人工智能时代的硬件加速提供了可扩展的自动化设计方法论。研究揭示的"时间-质量"交换机制，为未来智能EDA工具开发提供了重要理论依据。