AI4DSE:利用动态图神经网络和大型语言模型优化高级综合设计空间的探索

《ACM Transactions on Design Automation of Electronic Systems》:AI4DSE: Leveraging Dynamic Graph Neural Networks and Large Language Models for Optimizing High-Level Synthesis Design Space Exploration

【字体: 大 中 小 】 时间:2026年04月22日 来源:ACM Transactions on Design Automation of Electronic Systems

编辑推荐:

  高层次综合设计空间探索中,传统元启发式算法需大量领域知识且调参耗时。本文提出ECoGNNs-LLMMH框架,结合图神经网络与自适应消息传递,以及大语言模型增强的元启发式算法。实验表明,ECoGNN在post-HLS预测任务中误差降低57.27%,并在触发器、路径延迟、功耗等指标上优于现有方法,LLMMH变种平均提升帕累托前沿质量87.77%。

  
要查看此由 AI 生成的摘要,您必须具有高级访问权限。

摘要

摘要

高级综合(HLS)设计空间探索(DSE)对于生成在性能、功耗和面积(PPA)方面达到平衡的硬件设计至关重要。为了优化这一过程,现有研究通常使用消息传递神经网络(MPNNs)来预测结果质量(QoR)。这些预测器在 DSE 过程中充当评估器,有效地绕过了 HLS 工具传统上所需的时间消耗较大的估计步骤。然而,基于 MPNN 的现有模型存在过度平滑的问题,并且表达能力有限。此外,尽管元启发式算法在 DSE 中被广泛使用,但它们通常需要大量的领域特定知识来设计操作符,并且调整过程耗时较长。为了解决这些问题,我们提出了 ECoGNNs-LLMMHs,该框架将图神经网络与任务自适应的消息传递技术和大型语言模型增强的元启发式算法相结合。与最先进的研究相比,ECoGNN 在后 HLS 预测任务中的预测误差降低了 57.27%。在实施后的预测任务中,ECoGNN 显示出最低的预测误差:触发器(FF)使用率平均降低了 17.6%,关键路径(CP)延迟降低了 33.7%,功耗降低了 26.3%,数字信号处理器(DSP)利用率降低了 38.3%,布拉姆存储器(BRAM)使用率降低了 40.8%。LLMMH 变体在平均距离参考集(ADRS)方面优于元启发式算法,平均改进幅度分别为 87.77%。与现有的最佳 DSE 方法 GNN-DSE 和 IRONMAN-PRO 相比,LLMMH 分别可将 ADRS 降低 68.17% 和 61.53%。代码和模型可在 https://github.com/wslcccc/CoGNNs_LLMMH 获取。

AI 摘要

AI 生成的摘要(实验性)

此摘要是使用自动化工具生成的,并非由文章作者撰写或审核。它旨在帮助发现新内容、帮助读者评估文章的相关性,并协助来自相关研究领域的读者理解本文。它旨在补充作者提供的摘要,后者仍然是论文的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击 此处 对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由 AI 生成的通俗语言摘要,您必须具有高级访问权限。

相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号