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03月30日 来源:ACM Transactions on Design Automation of Electronic Systems

编辑推荐:

  HLS设计空间探索中提出ECoGNNs-LLMMHs框架,通过图神经网络与自适应消息传递提升预测精度,平均误差降低17.6%-40.8%,并实现Pareto前沿质量提升(ADRS减少61.5%-68.2%)。代码及模型已开源。

  
要查看此由人工智能生成的摘要,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(MPNN)来预测结果的质量(QoR)。这些预测器在DSE过程中充当评估工具,有效地绕过了HLS工具传统上所需的耗时估计。然而,基于MPNN的现有模型存在过度平滑和表达能力有限的问题。此外,尽管元启发式算法在DSE中得到广泛应用,但它们通常需要大量的领域特定知识来设计操作符,并且需要进行耗时的调整。为了解决这些限制,我们提出了ECoGNNs-LLMMHs框架,该框架将图神经网络与任务自适应的消息传递机制和大型语言模型增强的元启发式算法相结合。与现有技术相比,ECoGNN在HLS后的预测任务中表现出更低的预测误差,误差降低了57.27%。在实现后的预测任务中,ECoGNN显示出最低的预测误差:触发器(FF)使用率的平均误差降低了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%,布线资源(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。

人工智能摘要

人工智能生成的摘要(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。它旨在帮助读者发现相关内容、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的研究。它旨在补充作者提供的摘要,后者仍然是论文的官方总结。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。

要查看此由人工智能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
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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