1768230908
2026-01-12 15:00:00
高位合成 (HLS) 設計空間探索 (DSE) は、最適なハードウェア設計を達成する上で重大な課題を提示しており、膨大な構成可能性を効率的にナビゲートする必要があります。 Lei Xu は、汕頭大学の Shanshan Wang および Chenglong Xiao およびその同僚とともに、このプロセスを劇的に改善する新しいフレームワーク MPM-LLM4DSE を導入しました。彼らの研究では、根底にある動作の記述をよりよく理解するマルチモーダル予測モデルを組み込むことで、現在のグラフ ニューラル ネットワーク (GNN) ベースの予測手法の限界に対処しています。これを、新しいプロンプト エンジニアリング手法に導かれ、インテリジェント オプティマイザーとして機能する大規模な言語モデルと融合することで、チームはパフォーマンスの大幅な向上を実証しました。実験結果では、MPM-LLM4DSE が既存の最先端のアプローチを上回り、DSE タスクで最大 39.90% の向上を達成し、HLS 最適化の限界を押し上げることが示されています。
GNN、LLM、HLS プラグマの最適化
グラフ ニューラル ネットワーク (GNN) は、結果の品質 (QoR) メトリクスを予測する高位合成 (HLS) ツールの代用として一般的に使用され、多目的最適化アルゴリズムによって探索が促進されます。ただし、GNN ベースの予測方法は、動作記述に固有の豊富な意味論的特徴を完全には捉えていない可能性があり、従来の多目的最適化アルゴリズムでは、プラグマ ディレクティブが QoR にどのように影響するかに関するドメイン固有の知識が明示的に考慮されていないことがよくあります。これらの制限に対処するために、この論文では、動作記述と制御およびデータフロー グラフの機能を同時に融合するマルチモーダル予測モデル (MPM) を組み込んだ MPM-LLM4DSE フレームワークを提案します。この研究目標は、強化された QoR 予測と情報に基づいた最適化を通じて、ハードウェア設計空間探索の効率と有効性を向上させることに重点を置いています。
このアプローチには、設計のテキスト表現とグラフィック表現を統合し、カスタマイズされた多目的最適化戦略と組み合わせた、新しいマルチモーダル予測モデルの開発が含まれます。具体的には、このフレームワークは、HLS 設計のデータセットに基づいて微調整された事前トレーニング済み LLM、Llama-2 7B モデルを利用して、動作コードの意味論的な意味を捕捉する埋め込みを生成します。これらの埋め込みは、GNN を使用して対応する制御グラフとデータフロー グラフから抽出されたグラフベースの特徴と融合され、QoR 予測のための包括的な特徴ベクトルが作成されます。 HLS 設計のベンチマーク スイートで実施された実験結果では、レイテンシーの予測誤差が 12.3%、リソース使用率が 8.7% 減少したことが示されています。さらに、LLM 由来のセマンティック機能をフレームワークに統合することで、より多くの情報に基づいた多目的最適化プロセスが可能になり、パフォーマンス特性が向上し、設計探索時間が平均 15.2% 削減されたパレート最適設計が実現します。これは、LLM とグラフベースの学習を組み合わせてハードウェア設計空間を効率的に探索できる可能性を示しています。
HLS 設計空間探索のためのマルチモーダル GNN
高位合成 (HLS) デザイン空間探索 (DSE) では、パレート最適デザインを特定するために広大なプラグマ コンフィギュレーション空間をナビゲートする必要があります。この研究では、グラフ ニューラル ネットワーク (GNN) を HLS ツールの代理として採用し、結果の品質 (QoR) メトリクスを予測し、多目的最適化アルゴリズムで探索を加速することで、HLS DSE の計算需要に対処しています。研究者らは、従来の GNN ベースの予測手法では動作記述の意味論的な豊かさを完全に捉えるのが難しく、従来の最適化アルゴリズムには QoR に対するプラグマ ディレクティブの影響に関するドメイン固有の知識が不足していることが多いことを認識していました。これらの制限を克服するために、チームは MPM-LLM4DSE フレームワークを設計し、動作記述と制御およびデータ フロー グラフから抽出された機能を同時に融合するマルチモーダル予測モデル (MPM) を統合しました。
この革新的なアプローチは、単にグラフ構造を分析するだけではなく、ソース コードから直接情報を組み込んで予測精度を高めます。その後、科学者は大規模言語モデル (LLM) を最適化エンジンとして利用し、その構成生成をガイドするためのカスタマイズされたプロンプト エンジニアリング手法を開発しました。プロンプト手法には、QoR に対する詳細なプラグマ影響分析が組み込まれており、特定のディレクティブがパフォーマンス メトリックにどのように影響するかを LLM に効果的に伝えます。これにより、LLM は、最適な結果が得られる可能性が高い設計空間の領域に焦点を当てて、高品質の構成を生成できます。
実験では、マルチモーダル予測モデルが最先端の ProgSG よりも最大 10.25 倍も大幅に優れていることが実証され、組み合わせたアプローチの有効性が検証されました。このシステムは、DSE タスクにおいて従来の方法と比較して 39.90% という大幅な平均パフォーマンス向上を実現し、LLM を優れた設計に導くプロンプト方法論の能力を裏付けています。この研究は、迅速な QoR 予測のための GNN の強みと、インテリジェントな探索のための LLM の推論機能を組み合わせた、HLS DSE の新しいパラダイムを開拓しました。この方法により、DSE の計算負荷が大幅に軽減され、設計者はより大規模で複雑な設計空間を探索できるようになります。コードとモデルは公開されているため、この分野でのさらなる研究開発が促進され、より広範なコミュニティがこれらの方法論の進歩から恩恵を受けることができます。
マルチモーダル予測によりハードウェア設計の最適化が加速
科学者たちは、パレート最適ハードウェア設計を生成するために重要なプロセスである高位合成 (HLS) 設計空間探索 (DSE) を高速化するために、MPM-LLM4DSE フレームワークを開発しました。この研究では、マルチモーダル予測モデル (MPM) を使用して、動作記述と制御およびデータ フロー グラフの機能を融合することで、既存の手法の限界に対処しています。実験の結果、この MPM は最先端の ProgSG 方式を大幅に上回り、QoR 予測精度において最大 10.25 倍の性能向上を達成したことが明らかになりました。チームは、カスタマイズされたプロンプト エンジニアリング手法に基づいて、フレームワーク内のオプティマイザーとして大規模言語モデル (LLM) を組み込みました。
MPM-LLM4DSE が HLS 設計空間の探索を前進させる
この研究では、高位合成 (HLS) 設計空間の探索を改善するために設計された新しいフレームワークである MPM-LLM4DSE を紹介します。この作業は、動作記述を制御およびデータ フロー情報と統合するマルチモーダル予測モデルと、プラグマ影響分析に焦点を当てたプロンプト エンジニアリング方法論に基づくオプティマイザーとして使用される大規模な言語モデルを組み合わせたものを中心としています。研究者らは、実験を通じて、結果の品質の予測において自分たちのモデルが既存の最先端のアプローチ、特に ProgSG を上回り、設計空間探索タスクで大幅なパフォーマンス向上を達成することを実証しました。この調査結果は、HLS DSE に対する新しいアプローチを確立し、ハードウェア設計ワークフロー内で大規模な言語モデルの可能性を実証しています。
👉 詳細情報
🗞 MPM-LLM4DSE: マルチモーダル学習と LLM 主導の探索による HLS のパレート フロンティアへの到達
🧠ArXiv:
#Mpmllm4dse #が #LLM #駆動のプラグマで #HLS #設計空間の探求を前進させる