DiffHLS：基于 GNN 和 LLM 代码嵌入的高级综合准确度预测的差分学习
机器学习
2026-04-13 v1
摘要
高级综合 (HLS) 将 C/C++ 编译为 RTL，但探索 pragma 驱动的优化选择仍昂贵，因为每个设计点都需要耗时的综合。我们提出了一种名为 DiffHLS 的差分学习框架，用于 HLS 质量结果 (QoR) 预测，该框架从 kernel-design 配对中学习：一个 kernel 基线和一个插入 pragma 的设计变体。DiffHLS 使用专门的图神经网络 (GNN) 分支对 kernel 和设计中间表示图进行编码，并通过预训练的代码大语言模型 (LLM) 的代码嵌入来增强 delta 路径。我们不直接回归绝对目标，而是联合预测 kernel 基线和设计引起的 delta，然后将其组合以获得设计预测。在 PolyBench 上，DiffHLS 在四种不同的 GNN 主干下均实现了低于 GNN 基线的平均 MAPE，且 LLM 代码嵌入在 GNN-only ablation 上 consistently 优于。我们进一步在 ForgeHLS 数据集上验证了其可扩展性。
引用
@article{arxiv.2604.09240,
title = {DiffHLS: Differential Learning for High-Level Synthesis QoR Prediction with GNNs and LLM Code Embeddings},
author = {Zedong Peng and Zeju Li and Qiang Xu and Jieru Zhao},
journal= {arXiv preprint arXiv:2604.09240},
year = {2026}
}