論文の概要: HLSFactory: A Framework Empowering High-Level Synthesis Datasets for Machine Learning and Beyond

• arxiv url: http://arxiv.org/abs/2405.00820v1
• Date: Wed, 1 May 2024 19:02:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-03 20:32:52.686579
• Title: HLSFactory: A Framework Empowering High-Level Synthesis Datasets for Machine Learning and Beyond
• Title（参考訳）: HLSFactory: マシンラーニングなどのための高レベルな合成データセットを実現するフレームワーク
• Authors: Stefan Abi-Karam, Rishov Sarkar, Allison Seigler, Sean Lowe, Zhigang Wei, Hanqiu Chen, Nanditha Rao, Lizy John, Aman Arora, Cong Hao,
• Abstract要約: 機械学習(ML)技術は、QoR(Quality-of-Result)予測のための高レベル合成(HLS)フローに適用されている。 高品質なHLSデータセットの不足とそのようなデータセットの構築の複雑さが課題である。 HLSFactoryは高品質なHLS設計データセットの作成を容易にするために設計された包括的フレームワークである。
• 参考スコア（独自算出の注目度）: 3.206764939601044
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning (ML) techniques have been applied to high-level synthesis (HLS) flows for quality-of-result (QoR) prediction and design space exploration (DSE). Nevertheless, the scarcity of accessible high-quality HLS datasets and the complexity of building such datasets present challenges. Existing datasets have limitations in terms of benchmark coverage, design space enumeration, vendor extensibility, or lack of reproducible and extensible software for dataset construction. Many works also lack user-friendly ways to add more designs, limiting wider adoption of such datasets. In response to these challenges, we introduce HLSFactory, a comprehensive framework designed to facilitate the curation and generation of high-quality HLS design datasets. HLSFactory has three main stages: 1) a design space expansion stage to elaborate single HLS designs into large design spaces using various optimization directives across multiple vendor tools, 2) a design synthesis stage to execute HLS and FPGA tool flows concurrently across designs, and 3) a data aggregation stage for extracting standardized data into packaged datasets for ML usage. This tripartite architecture ensures broad design space coverage via design space expansion and supports multiple vendor tools. Users can contribute to each stage with their own HLS designs and synthesis results and extend the framework itself with custom frontends and tool flows. We also include an initial set of built-in designs from common HLS benchmarks curated open-source HLS designs. We showcase the versatility and multi-functionality of our framework through six case studies: I) Design space sampling; II) Fine-grained parallelism backend speedup; III) Targeting Intel's HLS flow; IV) Adding new auxiliary designs; V) Integrating published HLS data; VI) HLS tool version regression benchmarking. Code at https://github.com/sharc-lab/HLSFactory.
• Abstract（参考訳）: 機械学習(ML)技術は、QoR予測と設計空間探索(DSE)のための高レベル合成(HLS)フローに適用されている。 それでも、アクセス可能な高品質なHLSデータセットの不足と、そのようなデータセットの構築の複雑さは、課題を提示している。 既存のデータセットには、ベンチマークカバレッジ、設計スペースの列挙、ベンダーの拡張性、あるいはデータセット構築のための再現可能で拡張可能なソフトウェアがないという制限がある。 多くの作品には、より多くのデザインを追加するためのユーザフレンドリな方法が欠けており、そのようなデータセットの採用が制限されている。 これらの課題に対応するため、高品質なHLS設計データセットのキュレーションと生成を容易にするために設計された包括的なフレームワークHLSFactoryを紹介した。 HLSFactoryには3つの主要なステージがある。 1)複数のベンダーツールにまたがる様々な最適化ディレクティブを用いて、単一のHLS設計を大きな設計空間に精巧にするための設計空間拡張ステージ。 2) HLS と FPGA ツールを同時に動作させる設計合成ステージ,及び 3) 標準化されたデータをML使用のためにパッケージ化されたデータセットに抽出するデータ集約ステージ。 この三部構成アーキテクチャは、設計空間の拡張を通じて広い設計空間をカバーし、複数のベンダーツールをサポートする。 ユーザはそれぞれのステージに独自のHLS設計と合成結果を提供し、フレームワーク自体を独自のフロントエンドとツールフローで拡張することができる。 また、オープンソースのHLS設計をキュレートした一般的なHLSベンチマークから、初期の組込み設計も含んでいます。 I)設計空間サンプリング, II) きめ細かい並列処理バックエンドの高速化, III) IntelのHLSフローのターゲット化, IV) 新しい補助設計の追加, V) 公開されたHLSデータの統合, VI) HLSツールバージョンレグレッションベンチマーク。 コードネームはhttps://github.com/sharc-lab/HLSFactory。

関連論文リスト

• NVLM: Open Frontier-Class Multimodal LLMs [64.00053046838225]
  NVLM 1.0は、フロンティアクラスのマルチモーダル言語モデル(LLM)のファミリーであり、視覚言語タスクの最先端結果を実現する。 トレーニング効率とマルチモーダル推論能力を両立させる新しいアーキテクチャを提案する。 我々は、NVLM-1.0モデルのための生産級マルチモーダリティを開発し、視覚言語タスクに優れる。
  論文  参考訳（メタデータ） (2024-09-17T17:59:06Z)
• Sketch: A Toolkit for Streamlining LLM Operations [51.33202045501429]
  大規模言語モデル(LLM)は大きな成功を収めた。 アウトプットフォーマットの柔軟性は、モデルのアウトプットを制御および活用する上での課題を引き起こします。 スケッチ(Sketch)は、多種多様な分野にわたるLCM操作を合理化するための革新的なツールキットである。
  論文  参考訳（メタデータ） (2024-09-05T08:45:44Z)
• A Single Transformer for Scalable Vision-Language Modeling [74.05173379908703]
  我々はvisiOn-Language mOdelingのための単一変換器SOLOを提案する。 SOLOのような統一された単一トランスフォーマーアーキテクチャは、LVLMにおけるこれらのスケーラビリティ上の懸念に効果的に対処する。 本稿では,オープンソースの7B LVLMであるSOLOの開発のための,最初のオープンソーストレーニングレシピを紹介する。
  論文  参考訳（メタデータ） (2024-07-08T22:40:15Z)
• MG-Verilog: Multi-grained Dataset Towards Enhanced LLM-assisted Verilog Generation [16.836658183451764]
  大規模言語モデル(LLM)は、ドメイン固有の膨大なデータをカプセル化することによって、ハードウェア設計プロセスの合理化を約束している。 既存の利用可能なハードウェアデータセットは、サイズ、複雑さ、詳細に制限されることが多い。 本稿では,多段階の詳細な記述と対応するコードサンプルを包含したMulti-Grained-Verilog(MG-Verilog)データセットを提案する。
  論文  参考訳（メタデータ） (2024-07-02T03:21:24Z)
• PosterLLaVa: Constructing a Unified Multi-modal Layout Generator with LLM [58.67882997399021]
  本研究では,グラフィックレイアウトの自動生成のための統合フレームワークを提案する。 データ駆動方式では、レイアウトを生成するために構造化テキスト(JSONフォーマット)とビジュアルインストラクションチューニングを用いる。 我々は、大規模な実験を行い、パブリックなマルチモーダルレイアウト生成ベンチマーク上で、最先端(SOTA)性能を達成した。
  論文  参考訳（メタデータ） (2024-06-05T03:05:52Z)
• Demystifying Platform Requirements for Diverse LLM Inference Use Cases [7.233203254714951]
  本稿では,大規模言語モデル推論性能とプラットフォーム設計パラメータの関係を明らかにするための分析ツールGenZを提案する。 LLaMA や GPT-4 のような SOTA LLM モデルをサポートするためのプラットフォーム要件を,多様なサービス設定下で定量化する。 結局のところ、この研究は、幅広いアプリケーションにまたがる大きな言語モデルの潜在能力を最大限に活用するためのプラットフォーム設計の考察に光を当てている。
  論文  参考訳（メタデータ） (2024-06-03T18:00:50Z)
• AutoHLS: Learning to Accelerate Design Space Exploration for HLS Designs [10.690389829735661]
  本稿では,深層ニューラルネットワーク(DNN)とベイズ最適化(BO)を統合してHLSハードウェア設計最適化を高速化する,AutoHLSという新しいフレームワークを提案する。 実験の結果,探索時間の70倍のスピードアップが得られた。
  論文  参考訳（メタデータ） (2024-03-15T21:14:44Z)
• TAT-LLM: A Specialized Language Model for Discrete Reasoning over Tabular and Textual Data [73.29220562541204]
  我々は,言語モデル(LLM)の驚くべきパワーを活用して課題を解決することを検討する。 LLaMA2を微調整し,既存のエキスパートアノテートデータセットから自動生成したトレーニングデータを用いてTAT-LLM言語モデルを開発する。
  論文  参考訳（メタデータ） (2024-01-24T04:28:50Z)
• EDALearn: A Comprehensive RTL-to-Signoff EDA Benchmark for Democratized and Reproducible ML for EDA Research [5.093676641214663]
  我々はEDALearnを紹介した。EDALearnは、EDAの機械学習タスクに特化した、最初の包括的なオープンソースベンチマークスイートである。 このベンチマークスイートは、合成から物理実装までのエンドツーエンドのフローを示し、さまざまなステージにわたるデータ収集を強化する。 私たちの貢献はML-EDAドメインのさらなる進歩を促進することを目的としています。
  論文  参考訳（メタデータ） (2023-12-04T06:51:46Z)
• FederatedScope-LLM: A Comprehensive Package for Fine-tuning Large Language Models in Federated Learning [70.38817963253034]
  本稿では, ファインチューニング LLM のこれらの課題について論じ, 本パッケージ FS-LLM を主な貢献として紹介する。 我々は、FLシナリオにおける将来の拡張のために、包括的フェデレーションパラメータ効率の良い微調整アルゴリズムの実装と汎用プログラミングインタフェースを提供する。 本研究では, FS-LLM の有効性を検証し, FL 設定におけるパラメータ効率の高いパラメータ調整アルゴリズムを用いて, 高度な LLM のベンチマークを行う。
  論文  参考訳（メタデータ） (2023-09-01T09:40:36Z)
• HLSDataset: Open-Source Dataset for ML-Assisted FPGA Design using High Level Synthesis [1.7795190822602627]
  本稿では,HLSを用いたML支援FPGA設計のためのデータセットであるHLSDatasetを提案する。 データセットはPolybench、Machsuite、CHStone、Rossettaなど、広く使用されているHLS Cベンチマークから生成される。 生成されたVerilogサンプルの総数はFPGAタイプあたり9000近い。
  論文  参考訳（メタデータ） (2023-02-17T17:00:12Z)

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。