Intelligent4DSE：基于图神经网络和大语言模型优化高级综合设计空间探索
机器学习
2025-10-16 v3 硬件体系结构
摘要
高级综合 (HLS) 设计空间探索 (DSE) 是实现硬件设计在性能、功耗和面积 (PPA) 之间取得平衡的关键步骤。为优化这一过程，现有工作常采用消息传递神经网络 (MPNN) 预测质量结果 (QoR)。这些预测器作为 DSE 过程中的评估器，有效绕开了 HLS 工具传统上耗时的估计。然而，基于 MPNN 的现有模型面临过平滑和表达力有限的挑战。此外，虽然元启发式算法在 DSE 中广泛应用，但通常需要大量领域特定知识来设计算子和耗时的调参。为此，本文提出 ECoGNNs-LLMMHs 框架，将图神经网络与任务自适应消息传递相结合，并引入大语言模型增强的元启发式算法。与当前最先进方法相比，ECoGNN 在 post-HLS 预测任务中表现出更低的预测误差，误差降低 57.27\%。在 post-implementation 预测任务中，ECoGNN 显示出最低的预测误差，平均分别降低了 17.6\% 的翻转锁存器 (FF) 用量、33.7\% 的关键路径 (CP) 延迟、26.3\% 的功耗消耗、38.3\% 的数字信号处理器 (DSP) 利用率以及 40.8\% 的 BRAM 用量。LLMMH 变体在平均距离参考集 (ADRS) 方面优于元启发式算法，平均提升 87.47\%。与 GNN-DSE 和 IRONMAN-PRO 等当前 DSE 方法相比，LLMMH 可分别将 ADRS 降低 68.17\% 和 63.07\%。
引用
@article{arxiv.2504.19649,
title = {Intelligent4DSE: Optimizing High-Level Synthesis Design Space Exploration with Graph Neural Networks and Large Language Models},
author = {Lei Xu and Shanshan Wang and Emmanuel Casseau and Chenglong Xiao},
journal= {arXiv preprint arXiv:2504.19649},
year = {2025}
}