高レベル合成の設計空間探索のためのグラフニューラルネットワーク

高レベル合成（HLS）設計空間探索（DSE）は、設計空間の次元性と合成プロセスの計算コストが高いため、網羅的な探索が不可能なパレート最適合成設定を特定することを目的としています。この枠組みの中で、最適化指示を受けた合成された振る舞い仕様の加速性能とハードウェアコストを共同で予測するグラフニューラルネットワークを提案することにより、設計自動化の問題に取り組みます。学習モデルは、性能とコストの推定を考慮しながらDSEをガイドすることによって、パレート曲線に迅速に近づくために使用できます。提案手法は、プログラムの任意の長さと入力の不変特性を考慮することにより、従来のHLS駆動DSEアプローチを上回ります。異なるハードウェアアクセラレータの仕様に対してグラフニューラルネットワークを訓練する新しいハイブリッド制御およびデータフローグラフ表現を提案します。私たちのアプローチは、HLSコンパイラの解析モデルにアクセスすることなく、最先端のシミュレータと同等の予測精度を達成します。最後に、学習した表現は、新しいターゲットドメインからの少数のサンプルでファインチューニングすることにより、未探索の設定空間でのDSEに活用できます。この転移学習の実証評価の結果は、関連ベンチマークにおいて最先端のベースラインに対して強い結果を示しています。