論文の概要: PowerGear: Early-Stage Power Estimation in FPGA HLS via Heterogeneous
Edge-Centric GNNs
- arxiv url: http://arxiv.org/abs/2201.10114v1
- Date: Tue, 25 Jan 2022 06:18:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-26 16:06:43.802491
- Title: PowerGear: Early-Stage Power Estimation in FPGA HLS via Heterogeneous
Edge-Centric GNNs
- Title（参考訳）: PowerGear: Heterogeneous Edge-Centric GNNによるFPGA HLSの早期電力推定
- Authors: Zhe Lin, Zike Yuan, Jieru Zhao, Wei Zhang, Hui Wang and Yonghong Tian
- Abstract要約: FPGA HLSのためのグラフ学習支援電力推定手法であるPowerGearを提案する。
PowerGearには,グラフ構築フローとカスタマイズグラフニューラルネットワーク(GNN)モデルという,2つの主要コンポーネントがある。
搭載された測定値と比較すると、PowerGearは、それぞれ3.60%と8.81%の誤差を持つ新しいHLS設計の総出力と動的パワーを推定する。
- 参考スコア（独自算出の注目度）: 33.61567040408962
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Power estimation is the basis of many hardware optimization strategies.
However, it is still challenging to offer accurate power estimation at an early
stage such as high-level synthesis (HLS). In this paper, we propose PowerGear,
a graph-learning-assisted power estimation approach for FPGA HLS, which
features high accuracy, efficiency and transferability. PowerGear comprises two
main components: a graph construction flow and a customized graph neural
network (GNN) model. Specifically, in the graph construction flow, we introduce
buffer insertion, datapath merging, graph trimming and feature annotation
techniques to transform HLS designs into graph-structured data, which encode
both intra-operation micro-architectures and inter-operation interconnects
annotated with switching activities. Furthermore, we propose a novel
power-aware heterogeneous edge-centric GNN model which effectively learns
heterogeneous edge semantics and structural properties of the constructed
graphs via edge-centric neighborhood aggregation, and fits the formulation of
dynamic power. Compared with on-board measurement, PowerGear estimates total
and dynamic power for new HLS designs with errors of 3.60% and 8.81%,
respectively, which outperforms the prior arts in research and the commercial
product Vivado. In addition, PowerGear demonstrates a speedup of 4x over Vivado
power estimator. Finally, we present a case study in which PowerGear is
exploited to facilitate design space exploration for FPGA HLS, leading to a
performance gain of up to 11.2%, compared with methods using state-of-the-art
predictive models.
- Abstract（参考訳）: 電力推定は多くのハードウェア最適化戦略の基礎である。
しかし、高レベル合成(HLS)のような早期に正確な電力推定を行うことは依然として困難である。
本稿では,FPGA HLSのためのグラフ学習支援電力推定手法PowerGearを提案する。
PowerGearには,グラフ構築フローとカスタマイズグラフニューラルネットワーク(GNN)モデルという,2つの主要コンポーネントがある。
具体的には、グラフ構築フローにおいて、バッファ挿入、データパスのマージ、グラフトリミング、特徴アノテーション技術を導入し、HLS設計をグラフ構造化データに変換する。
さらに,エッジ中心近傍アグリゲーションを通じて構築したグラフの異種エッジ意味論と構造特性を効果的に学習し,動的パワーの定式化に適合する新しいパワーアウェア異種エッジ中心gnnモデルを提案する。
PowerGearは車載計測と比較して3.60%と8.81%の誤差を持つ新しいHLS設計の総出力と動的パワーを推定し、研究における先行技術と商用製品であるVivadoを上回っている。
さらに、powergearはvivado power estimatorの4倍のスピードアップを示している。
最後に、fpga hlsの設計空間探索を容易にするためにpowergearを活用し、最先端予測モデルを用いた手法と比較して最大11.2%の性能向上を実現するケーススタディを提案する。
関連論文リスト
- CARE Transformer: Mobile-Friendly Linear Visual Transformer via Decoupled Dual Interaction [77.8576094863446]
本稿では,新しいdetextbfCoupled dutextbfAl-interactive lineatextbfR atttextbfEntion (CARE) 機構を提案する。
まず,非対称な特徴分離戦略を提案し,非対称的に学習プロセスを局所帰納バイアスと長距離依存に分解する。
分離学習方式を採用し,特徴間の相補性を完全に活用することにより,高い効率性と精度を両立させることができる。
論文 参考訳（メタデータ） (2024-11-25T07:56:13Z) - SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。
SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
論文 参考訳（メタデータ） (2024-07-17T09:01:38Z) - PowerGraph: A power grid benchmark dataset for graph neural networks [7.504044714471332]
本稿では、電力フロー、最適電力フロー、カスケード故障解析のためのGNN調整データセットを含むPowerGraphを提案する。
PowerGraphは、さまざまなタスクのための多面的なGNNデータセットで、実世界の説明を含む電力フローと障害シナリオを含んでいる。
論文 参考訳（メタデータ） (2024-02-05T09:24:52Z) - Graph Transformers for Large Graphs [57.19338459218758]
この研究は、モデルの特徴と重要な設計制約を識別することに焦点を当てた、単一の大規模グラフでの表現学習を前進させる。
この研究の重要な革新は、局所的な注意機構と組み合わされた高速な近傍サンプリング技術の作成である。
ogbn-products と snap-patents の3倍の高速化と16.8%の性能向上を報告し、ogbn-100M で LargeGT を5.9% の性能改善で拡張した。
論文 参考訳（メタデータ） (2023-12-18T11:19:23Z) - Exploring Sparsity in Graph Transformers [67.48149404841925]
グラフ変換器(GT)は、様々なグラフ関連タスクにおいて印象的な結果を得た。
しかし、GTsの膨大な計算コストは、特に資源制約のある環境でのデプロイメントと応用を妨げる。
我々は、GTの計算複雑性を低減するのに役立つ、包括的な textbfGraph textbfTransformer textbfSParsification (GTSP) フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-09T06:21:44Z) - Physics-Guided Graph Neural Networks for Real-time AC/DC Power Flow
Analysis [6.9065457480507995]
本稿では,電力フロー解析のための物理誘導型グラフニューラルネットワーク(PG-GNN)を提案する。
ケースでは、提案手法のみがACモデルベースのベンチマークと一致し、計算効率が10倍を超えることも示している。
論文 参考訳（メタデータ） (2023-04-29T09:58:15Z) - Hardware-Efficient Deconvolution-Based GAN for Edge Computing [1.5229257192293197]
Generative Adversarial Networks (GAN) は、学習したデータ分布に基づいて新しいデータサンプルを生成する最先端のアルゴリズムである。
我々は、スケーラブルなストリーミングデータフローアーキテクチャを用いてFPGA上に実装された量子化デコンボリューションGAN(QDCGAN)のトレーニングのためのHW/SW共同設計手法を提案する。
リソース制約のあるプラットフォーム上での低消費電力推論のために,様々な精度,データセット,ネットワークスケーラビリティを解析した。
論文 参考訳（メタデータ） (2022-01-18T11:16:59Z) - Power to the Relational Inductive Bias: Graph Neural Networks in
Electrical Power Grids [1.732048244723033]
いくつかの重要な点において、電力網とは異なるグラフを含むベンチマークによって駆動されるGNN研究の間にはギャップがあることを論じる。
このギャップを, (i) 電力グリッドグラフデータセットを帰納的設定で定義し, (ii) グラフ特性の探索的解析を行い, (iii) 実世界の電力グリッドにおける状態推定の具体的な学習課題に関する実証的研究を行った。
論文 参考訳（メタデータ） (2021-09-08T12:56:00Z) - Rethinking Graph Transformers with Spectral Attention [13.068288784805901]
我々は、学習された位置符号化(LPE)を用いて、与えられたグラフ内の各ノードの位置を学習するtextitSpectral Attention Network$(SAN)を提示する。
ラプラシアンの完全なスペクトルを利用することで、我々のモデルは理論上グラフの区別に強力であり、類似のサブ構造を共鳴からよりよく検出することができる。
我々のモデルは最先端のGNNよりも同等かそれ以上の性能を発揮し、あらゆる注目ベースモデルよりも広いマージンで性能を向上する。
論文 参考訳（メタデータ） (2021-06-07T18:11:11Z) - Heterogeneous Graph Transformer [49.675064816860505]
Webスケールの不均一グラフモデリングのための不均一グラフ変換器(HGT)アーキテクチャ
動的ヘテロジニアスグラフを扱うために、HGTに相対時間符号化手法を導入する。
Web スケールのグラフデータを扱うため,ヘテロジニアスなミニバッチグラフサンプリングアルゴリズム--HGSampling--を設計し,効率的かつスケーラブルなトレーニングを行う。
論文 参考訳（メタデータ） (2020-03-03T04:49:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。