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

　　

摘要 AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多 登录

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）来预测结果的质量（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过程。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，并且调整过程耗时较长。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。与最先进的研究相比，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%。在实施后的预测任务中，ECoGNN展示了最低的预测误差：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DSE方法GNN-DSE和IRONMAN-PRO相比，LLMMH分别可以将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生成摘要（实验性）

此摘要是使用自动化工具生成的，未经过文章作者的撰写或审核。它旨在帮助发现、评估相关性，并协助来自相关研究领域的读者理解本文内容。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。