RocketPPA：基于 LLM 与混合专家的代码级功耗、性能和面积预测
机器学习
2025-06-12 v3 软件工程
摘要
本文提出 RocketPPA，一种 novel ultra-fast power、performance（延迟）和 area（面积）估计器，直接在代码级别抽象上运行，输入为 HDL 代码。其关键技术创新是其 LLM-based 回归模型，独特地将大语言模型（LLM）与由多层感知机（MLP）组成的混合专家（MoE）架构集成。LLM 解读输入 HDL 代码，然后利用其最终隐藏层表示预测 PPA 指标。采用低秩适应（LoRA）进行参数高效微调，以实现高效 LLM 训练。此外，本工作包括开发 LLM-based HDL 代码修复框架，以生成大量可综合的训练数据集。VerilogEval 数据集上的实验结果表明，RocketPPA 在 PPA 估计准确性方面显著优于 Llama3-MetRex-8B 等以往的最先进方法。具体而言，在 10% 相对误差阈值下，RocketPPA 在面积预测、延迟预测和功耗预测上的通过率分别提高了 13.6%、9.4% 和 14.7%。在 20% 阈值下，提升分别为 9.6%、10.8% 和 18.5%。此外，RocketPPA 在处理测试集时比 MetRex 快 20 倍，比 MasterRTL 快 30 倍。RocketPPA 的影响在于通过在设计周期早期提供准确的 PPA 估计，潜在大幅加速硬件设计流程，从而避免手动特征工程和耗时的综合流程开销。
引用
@article{arxiv.2503.21971,
title = {RocketPPA: Code-Level Power, Performance, and Area Prediction via LLM and Mixture of Experts},
author = {Armin Abdollahi and Mehdi Kamal and Massoud Pedram},
journal= {arXiv preprint arXiv:2503.21971},
year = {2025}
}