Iceberg：通过合成数据增强 HLS 模型
机器学习
2025-07-22 v2 硬件体系结构
摘要
基于深度学习的高级综合 (HLS) 硬件设计预测模型常面临泛化性不足的问题。本文通过在合成数据上进行预训练来缩小这些模型的泛化性差距，提出 Iceberg—a 一种合成数据增强方法，用于扩充大型语言模型 (LLM) 生成的程序以及未见设计配置的弱标签。我们的弱标签生成方法集成于上下文模型架构中，使其能够从实际标签和近似标签进行元学习。Iceberg 在使用零样本示例适应六个真实应用时，将几何平均建模精度提高了 ，在适应两个不同测试数据集时，分别实现 和 的更佳离线设计空间综合性能。我们的开源代码已公开：https://github.com/UCLA-VAST/iceberg
引用
@article{arxiv.2507.09948,
title = {Iceberg: Enhancing HLS Modeling with Synthetic Data},
author = {Zijian Ding and Tung Nguyen and Weikai Li and Aditya Grover and Yizhou Sun and Jason Cong},
journal= {arXiv preprint arXiv:2507.09948},
year = {2025}
}
备注
9 pages. accepted to ICLAD'25