GENIAL：基于网络反向求解的生成式低功耗算法逻辑单元设计空间探索
机器学习
2025-11-07 v2 人工智能
硬件体系结构
摘要
随着 AI 工作负载的不断增长，优化算术单元对于减少数字系统的面积至关重要。传统的设计流程往往依赖人工或基于启发式的方法进行优化，受限于其在巨大的设计空间中进行彻底探索的能力。本文引入了 GENIAL，一个基于机器学习的框架，用于自动生成和优化算术单元，特别是聚焦于乘法器。在 GENIAL 的核心是基于 Transformer 的替代模型，该模型采用两阶段训练方式，包括自监督预训练和监督式微调，以稳健地预测诸如功耗和面积等关键硬件指标。通过反向求解替代模型，GENIAL 能够高效地搜索新的操作数编码，直接最小化特定输入数据分布下算术单元的功耗消耗。大规模数据集上的广泛实验表明，GENIAL 在样本效率方面始终优于其他方法，并且能够更快地收敛至优化后的设计。这使得能够在循环内部署高-effort 逻辑综合优化流程，从而提高替代模型的精度。值得注意的是，GENIAL 自动发现的编码在以代表性 AI 工作负载为基准的乘法器中，相较于传统的二进制补码实现，可实现最高达 18% 的开关活动节省。我们还通过在有限状态机上的显著改进验证了该方法的通用性，凸显了 GENIAL 适用于广泛逻辑函数的可行性。这些进展标志着自动化质量-结果优化组合电路生成技术在数字系统中的重要一步。
引用
@article{arxiv.2507.18989,
title = {GENIAL: Generative Design Space Exploration via Network Inversion for Low Power Algorithmic Logic Units},
author = {Maxence Bouvier and Ryan Amaudruz and Felix Arnold and Renzo Andri and Lukas Cavigelli},
journal= {arXiv preprint arXiv:2507.18989},
year = {2025}
}
备注
Accepted at the 2026 31st Asia and South Pacific Design Automation Conference (ASP-DAC)