High-level synthesis
PulseAugur coverage of High-level synthesis — every cluster mentioning High-level synthesis across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
大型语言模型为半导体设计生成合成HLS数据集
研究人员开发了SyntheticHLS，这是一个利用大型语言模型（LLMs）为半导体设计中的高层次综合（HLS）生成多样化、大规模合成数据集的框架。该框架解决了与硬件描述语言（HDLs）相比，HLS设计稀缺的问题，旨在通过生成具有不同长度、层级、设计空间大小和应用领域的代码来提高深度学习模型的泛化能力。该系统采用迭代反馈引导的变异循环和量化复杂度指标来创建更具可扩展性和复杂性的设计，这些设计在基准测试集上的迁移性优于零样本生成的设计。
-
新AI框架HLS-Seek优化硬件设计生成
研究人员开发了HLS-Seek，一个用于从C/C++代码生成硬件设计的新颖框架，该框架优先考虑结果质量（QoR），如延迟和资源利用率。该系统利用带有比较代理奖励模型的强化学习，避免了在循环中进行完全综合的需要，并在预测帕累托最优设计方面取得了高精度。HLS-Seek还包含一个感知不确定性的蒙特卡洛Dropout切换机制，以使用真实的综合数据来改进其代理模型，与现有方法相比，从而提高了性能并加快了训练速度。
-
HLSmith 框架通过专家指导提升 C/C++ 到 HLS 的翻译效率 · 跟踪 2 个来源
研究人员开发了 HLSmith，一个旨在通过高层次综合 (HLS) 改进 C/C++ 代码到高性能硬件加速器翻译的框架。该系统包含一个编码硬件优化技术的专业知识库、一个模拟专家实践的指导编排流程，以及一个用于适应前沿模型的管道。HLSmith 在基准测试中显著优于之前的代理编排框架（如 ChatHLS），实现了 4.24 倍的几何平均加速比和 100% 的有效设计率，而 ChatHLS 的有效设计率为 57%。
-
HLS-Seek 使用强化学习生成优先考虑性能的硬件描述
研究人员开发了 HLS-Seek，一个用于从自然语言生成硬件描述的新框架，该框架优先考虑结果质量（QoR），如延迟和资源利用率。与以往只关注功能正确性的方法不同，HLS-Seek 采用了一种通过强化学习训练的代理比较奖励模型，在预测最佳硬件配置方面实现了高精度。与现有前沿模型在 HLS 特定基准测试上的表现相比，这种方法显著加快了训练速度，并实现了更低的延迟和更好的资源利用率。