PowerGear：通过异构边中心图神经网络在FPGA高层次综合中进行早期功耗估计
机器学习
2022-03-29 v2 硬件体系结构
摘要
功耗估计是许多硬件优化策略的基础。然而，在诸如高层次综合（HLS）这样的早期阶段提供准确的功耗估计仍然具有挑战性。在本文中，我们提出了PowerGear，这是一种面向FPGA HLS的图学习辅助功耗估计方法，具有高精度、高效率和可迁移性的特点。PowerGear包含两个主要组件：一个图构建流程和一个定制的图神经网络（GNN）模型。具体来说，在图构建流程中，我们引入了缓冲器插入、数据通路合并、图修剪和特征标注技术，将HLS设计转换为图结构数据，这些数据编码了操作内微架构和操作间互连，并用翻转活动进行标注。此外，我们提出了一种新颖的功耗感知异构边中心GNN模型，该模型通过以边为中心的邻域聚合有效地学习所构建图的异构边语义和结构属性，并拟合动态功耗的公式。与板级测量相比，PowerGear对新HLS设计的总功耗和动态功耗的估计误差分别为3.60%和8.81%，优于先前的研究成果和商业产品Vivado。此外，PowerGear的速度比Vivado功耗估计器快4倍。最后，我们展示了一个案例研究，其中利用PowerGear来促进FPGA HLS的设计空间探索，与使用最先进预测模型的方法相比，性能提升高达11.2%。
引用
@article{arxiv.2201.10114,
title = {PowerGear: Early-Stage Power Estimation in FPGA HLS via Heterogeneous Edge-Centric GNNs},
author = {Zhe Lin and Zike Yuan and Jieru Zhao and Wei Zhang and Hui Wang and Yonghong Tian},
journal= {arXiv preprint arXiv:2201.10114},
year = {2022}
}
备注
Preprint of the paper to be published in Design, Automation and Test in Europe Conference and Exhibition (DATE 2022)