仿生神经网络体系结构代码设计包 (SNAC-Pack)
机器学习
2025-12-19 v1 人工智能
高能物理 - 实验
摘要
神经网络体系结构搜索是一种自动化模型设计的强大方法，但现有方法在准确优化实际硬件性能方面存在挑战，常依赖位运算等代理指标。我们提出了仿生神经网络体系结构代码设计包 (SNAC-Pack)，这是一个集成框架，自动化地发现和优化针对FPGA部署的神经网络。SNAC-Pack将神经网络体系结构代码设计的多阶段搜索能力与资源利用率和延迟估计器相结合，实现对准确率、FPGA资源利用率和延迟的多目标优化，而无需对每个候选模型进行耗时的综合。我们在高能物理喷流分类任务上展示了SNAC-Pack，实现了63.84%的准确率。当在Xilinx Virtex UltraScale+ VU13P FPGA上综合实现后，SNAC-Pack模型在保持与基线模型相当的资源利用率的同时，匹配了基线准确率。这一工作展示了硬件感知神经网络体系结构搜索在资源受限部署中的潜力，并提供了一个开源框架用于自动化设计高效FPGA加速模型。
引用
@article{arxiv.2512.15998,
title = {Surrogate Neural Architecture Codesign Package (SNAC-Pack)},
author = {Jason Weitz and Dmitri Demler and Benjamin Hawks and Nhan Tran and Javier Duarte},
journal= {arXiv preprint arXiv:2512.15998},
year = {2025}
}
备注
NeurIPS 2025 Machine Learning and the Physical Sciences Workshop, 8 pages, 4 figures, 3 tables