AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：设计空间探索×
6月16日
20:46
6月12日
12:57
6月11日
15:28
15:23
15:07
6月10日
11:34
11:34arXiv cs.AI@Vinamra Sharma, Xingjian Fu, Jude Haris, José Cano
精选
SECDA-DSE是一个将大语言模型（LLM）集成到SECDA生态中的框架，用于自动探索FPGA加速器的设计空间。它结合了结构化探索器（生成候选架构）和LLM堆栈（通过检索增强生成和思维链提示进行推理引导），并通过反馈循环实现迭代优化。论文在FPGA硬件上生成了三种加速器设计（逐元素向量乘法、2D卷积和矩阵转置），并成功执行。结果表明，SECDA-DSE能生成符合SECDA标准的加速器设计，并捕捉不同内核在计算并行性和数据移动之间的权衡。该框架显著减少了探索时间和人工专业知识需求，展示了LLM引导设计空间探索的潜力。
论文FPGA加速器LLM引导设计设计空间探索硬件-软件协同设计SECDA
推荐理由：做FPGA加速器设计的团队终于有了自动化工具——SECDA-DSE用LLM替代人工试错，直接生成可执行的加速器配置。搞硬件-软件协同设计的人可以试试，能省下大量调参时间。
原文
6月8日
10:56
10:56arXiv cs.LG@Julian Withöft, Werner John, Emre Ecik, Ralf Brüning, Jürgen Götze
本文提出了一种名为摊销神经优化（ANO）的方法，用于高速信号完整性（SI）分析的预布局设计空间探索。传统方法依赖迭代式黑箱优化算法，计算成本高昂，而ANO通过使用完全可微的神经网络代理模型，从代理中提取解析梯度来训练全局优化策略。训练完成后，ANO策略能在单次确定性前向传播中直接将不同通道上下文映射到接近最优的设计参数，从而消除了推理时的迭代过程。在DDR5 DFE、9维SerDes Tx/Rx联合均衡和DDR3 DQS差分对布线等复杂场景中，ANO相比实例特定黑箱算法仅牺牲约10%的最优性，却实现了三到四个数量级的加速。对于大规模32万实例的多角SerDes扫描优化，ANO将原本需要数天的计算压缩为毫秒级的单次批量前向传播，将计算密集的SI优化转变为实时交互式预布局设计空间探索。
论文信号完整性设计空间探索神经网络代理摊销优化EDA
推荐理由：做高速电路设计或EDA工具开发的团队，终于有办法把信号完整性优化从数天缩短到毫秒级——ANO直接学出优化策略而非反复迭代，值得在DDR5/SerDes等场景中试试。
原文