wa-hls4ml：面向 hls4ml 资源与延迟估计的基准与代理模型
机器学习
2025-11-11 v1 人工智能
硬件体系结构
仪器与探测器
摘要
随着机器学习（ML）越来越多地在硬件中实现以应对科学应用中的实时挑战，先进工具链的开发已显著减少了迭代各种设计所需的时间。这些进步解决了主要障碍，但也暴露了新的挑战。例如，以前不被视为瓶颈的过程（如硬件综合）正成为设计快速迭代的限制因素。为缓解这些新出现的限制，已有多项努力致力于开发基于 ML 的代理模型，以估计 ML 加速器架构的资源使用情况。我们引入了 wa-hls4ml，一个用于 ML 加速器资源和延迟估计的基准，及其包含超过 680,000 个全连接和卷积神经网络的初始数据集，所有网络均使用 hls4ml 综合并以 Xilinx FPGA 为目标。该基准评估了资源与延迟预测器在多个常见 ML 模型架构上的性能，这些架构主要源自科学领域并作为示例模型，同时评估了在数据集子集上的平均性能。此外，我们引入了基于 GNN 和 Transformer 的代理模型，用于预测 ML 加速器的延迟和资源。我们展示了这些模型的架构和性能，并发现在合成测试数据集上，这些模型对 75% 分位数的延迟和资源的预测通常在合成资源的百分之几以内。
引用
@article{arxiv.2511.05615,
title = {wa-hls4ml: A Benchmark and Surrogate Models for hls4ml Resource and Latency Estimation},
author = {Benjamin Hawks and Jason Weitz and Dmitri Demler and Karla Tame-Narvaez and Dennis Plotnikov and Mohammad Mehdi Rahimifar and Hamza Ezzaoui Rahali and Audrey C. Therrien and Donovan Sproule and Elham E Khoda and Keegan A. Smith and Russell Marroquin and Giuseppe Di Guglielmo and Nhan Tran and Javier Duarte and Vladimir Loncar},
journal= {arXiv preprint arXiv:2511.05615},
year = {2025}
}
备注
30 pages, 18 figures