Fugu-MT 論文翻訳(概要): C2HLSC: Leveraging Large Language Models to Bridge the Software-to-Hardware Design Gap

論文の概要: C2HLSC: Leveraging Large Language Models to Bridge the Software-to-Hardware Design Gap

arxiv url: http://arxiv.org/abs/2412.00214v1
Date: Fri, 29 Nov 2024 19:22:52 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-04 15:47:15.527534
Title: C2HLSC: Leveraging Large Language Models to Bridge the Software-to-Hardware Design Gap
Title（参考訳）: C2HLSC: 大規模言語モデルを活用してソフトウェアからハードウェア設計のギャップを埋める
Authors: Luca Collini, Siddharth Garg, Ramesh Karri,
Abstract要約: 本稿では,HLS互換フォーマットに自動的にCコードを生成するための大規模言語モデルについて検討する。本稿では,NIST 800-22テストのランダム性,QuickSortアルゴリズム,およびAES-128をHLS合成可能なCに書き換えるためにLLMを用いたケーススタディを提案する。
参考スコア（独自算出の注目度）: 20.528640971583112
License:
Abstract: High-Level Synthesis (HLS) tools offer rapid hardware design from C code, but their compatibility is limited by code constructs. This paper investigates Large Language Models (LLMs) for automatically refactoring C code into HLS-compatible formats. We present a case study using an LLM to rewrite C code for NIST 800-22 randomness tests, a QuickSort algorithm, and AES-128 into HLS-synthesizable C. The LLM iteratively transforms the C code guided by the, implementing functions like streaming data and hardware-specific signals. With the hindsight obtained from the case study, we implement a fully automated framework to refactor C code into HLS-compatible formats using LLMs. To tackle complex designs, we implement a preprocessing step that breaks down the hierarchy in order to approach the problem in a divide-and-conquer bottom-up way. We validated our framework on three ciphers, one hash function, five NIST 800-22 randomness tests, and a QuickSort algorithm. Our results show a high success rate on benchmarks that are orders of magnitude more complex than what has been achieved generating Verilog with LLMs.
Abstract（参考訳）: High-Level Synthesis (HLS) ツールはCコードからハードウェアを素早く設計するが、互換性はコード構造によって制限される。本稿では,C コードを HLS 互換形式に自動リファクタリングする大規模言語モデル (LLM) について検討する。我々は,NIST 800-22ランダムネステスト,QuickSortアルゴリズム,AES-128のCコードをHLS合成可能なCに変換するためにLLMを用いたケーススタディを提案する。ケーススタディから得られた後見により、我々は完全に自動化されたフレームワークを実装し、LLMを使用してCコードをHLS互換フォーマットにリファクタリングする。複雑な設計に対処するために、我々は階層を分解する前処理のステップを実装し、分割・参照のボトムアップ方式で問題にアプローチする。我々は,3つの暗号,1つのハッシュ関数,5つのNIST 800-22ランダムネステスト,およびQuickSortアルゴリズムについて検証を行った。以上の結果から,LLMによるVerilogの生成よりもはるかに複雑であるベンチマークにおいて,高い成功率を示すことができた。

関連論文リスト

Exploring Code Language Models for Automated HLS-based Hardware Generation: Benchmark, Infrastructure and Analysis [49.998130983414924]
LLM(Large Language Model)は、PythonやC++などのプログラミング言語に使用される。本稿では,LLMを利用してHLS(High-Level Synthesis)ベースのハードウェア設計を行う。
論文参考訳（メタデータ） (2025-02-19T17:53:59Z)
Combining LLM Code Generation with Formal Specifications and Reactive Program Synthesis [0.7580487359358722]
大規模言語モデル(LLM)は精度に苦しむが、リスクの高いアプリケーションには適さない。コード生成を LLM で処理する部分と,形式的なメソッドベースのプログラム合成で処理する部分の2つに分割する手法を提案する。
論文参考訳（メタデータ） (2024-09-18T15:59:06Z)
Rome was Not Built in a Single Step: Hierarchical Prompting for LLM-based Chip Design [22.70660876673987]
大言語モデル(LLM)は、ハードウェア記述言語(HDL)生成によるコンピュータハードウェア合成に有効である。しかし、複雑なタスクを扱う場合のHDL生成にLLMが支援するアプローチは難しかった。本稿では,効率的なステップワイズ設計手法を実現する階層的プロンプト手法について紹介する。
論文参考訳（メタデータ） (2024-07-23T21:18:31Z)
Case2Code: Scalable Synthetic Data for Code Generation [105.89741089673575]
大規模言語モデル(LLM)は、コード生成において顕著なブレークスルーを示している。最近の研究は、いくつかの強力なLLMによって生成された合成データをトレーニングすることで、コードLLMを改善している。プログラムの表現性と正確性を利用したtextbfCase2Code タスクを提案する。
論文参考訳（メタデータ） (2024-07-17T11:35:00Z)
VerilogReader: LLM-Aided Hardware Test Generation [5.012023213660125]
高度な理解と推論機能を備えた大規模言語モデル(LLM)は、新しいアプローチを導入している。本研究では,LCMをCDG(Coverage Directed Test Generation)プロセスに統合する方法について検討する。私たちは、自設計のVerilogベンチマークスイートを使用して、ランダムなテストとフレームワークを比較します。
論文参考訳（メタデータ） (2024-06-03T07:20:51Z)
InfiBench: Evaluating the Question-Answering Capabilities of Code Large Language Models [56.723509505549536]
InfiBenchは、私たちの知識に合ったコードのための、最初の大規模フリーフォーム質問回答(QA)ベンチマークです。慎重に選択された234の高品質なStack Overflow質問で構成されており、15のプログラミング言語にまたがっている。 InfiBench上で100以上の最新のコードLLMに対して,系統的評価を行い,新しい知見と洞察に富んだ結果を得た。
論文参考訳（メタデータ） (2024-03-11T02:06:30Z)
StepCoder: Improve Code Generation with Reinforcement Learning from Compiler Feedback [58.20547418182074]
2つの主要コンポーネントからなるコード生成の新しいフレームワークであるStepCoderを紹介します。 CCCSは、長いシーケンスのコード生成タスクをCurriculum of Code Completion Subtaskに分割することで、探索課題に対処する。 FGOは、未実行のコードセグメントをマスクすることでのみモデルを最適化し、Fine-Grained Optimizationを提供する。提案手法は,出力空間を探索し,対応するベンチマークにおいて最先端の手法より優れた性能を発揮する。
論文参考訳（メタデータ） (2024-02-02T13:14:31Z)
Using LLM such as ChatGPT for Designing and Implementing a RISC Processor: Execution,Challenges and Limitations [11.07566083431614]
この論文は、解析、トークン化、エンコーディング、アテンションメカニズム、コード生成時のトークンとイテレーションのサンプリングなど、関連するステップについてレビューする。 RISCコンポーネントの生成されたコードは、FPGA基板上でテストベンチとハードウェア実装によって検証される。
論文参考訳（メタデータ） (2024-01-18T20:14:10Z)
Chain-of-Thought in Neural Code Generation: From and For Lightweight Language Models [22.392809555644646]
大規模言語モデル(LLM)は、コード生成において顕著な可能性を示している。本研究では,100億未満のパラメータを持つと定義される軽量言語モデル (lLM) について検討する。これらの知見に基づいて,思考の連鎖(CoTs)を自動生成する lLM を利用した新しいアプローチ COTTON を設計する。その結果,COTTONが生成するCoTsは,自動評価と人的評価の指標において,ベースラインを上回っていることがわかった。
論文参考訳（メタデータ） (2023-12-09T12:20:50Z)
Exploring Continual Learning for Code Generation Models [80.78036093054855]
継続的学習(CL)は、コードドメインの中でまだ過小評価されていない重要な側面である。コード生成,翻訳,要約,改良など,幅広いタスクをカバーするCodeTask-CLというベンチマークを導入する。即時選択機構の不安定な訓練により,プロンプトプール (PP) などの有効手法が破滅的な忘れ込みに悩まされることが判明した。
論文参考訳（メタデータ） (2023-07-05T16:58:39Z)
ALGO: Synthesizing Algorithmic Programs with LLM-Generated Oracle Verifiers [60.6418431624873]
大きな言語モデル(LLM)は、機能記述からコードを実装するのに優れているが、アルゴリズムの問題に悩まされている。我々は,アルゴリズムプログラムを LLM 生成 Oracle で合成するフレームワーク ALGO を提案し,その生成をガイドし,その正確性を検証する。実験の結果,ALGOを装着すると,Codexモデルよりも8倍,CodeTよりも2.6倍の1サブミッションパス率が得られることがわかった。
論文参考訳（メタデータ） (2023-05-24T00:10:15Z)

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。