基于机器学习的图结构简化用于符号加速器
机器学习
2026-05-12 v1
摘要
图结构加速器在基因组学、网络安全和人工智能等符号数据处理应用中得到了广泛采用。然而，这些系统常常因冗余的图结构而导致内存使用过度和效率低下。我们提出了 AutoSlim，一个基于机器学习的框架，利用数据驱动的方法为硬件加速器修剪自动机图。通过从先前的图执行中提取特征和随机森林分类器，AutoSlim 识别并删除低影响的节点和边缘。当应用于非确定性有限自动机叠加架构 (NAPOLY+) 时，AutoSlim 可将 FPGA 资源占用降低最高 40%，并实现吞吐量和功耗效率的相应提升。该框架包括一个验证步骤，以确保修剪后的功能等价性，并为硬件优化和安全性的前景方向提供了建议。
引用
@article{arxiv.2605.08996,
title = {Machine Learning-Based Graph Simplification for Symbolic Accelerators},
author = {Tiffany Yu and Rye Stahle-Smith and Darssan Eswaramoorthi and Rasha Karakchi},
journal= {arXiv preprint arXiv:2605.08996},
year = {2026}
}