論文の概要: Exploring Code Language Models for Automated HLS-based Hardware Generation: Benchmark, Infrastructure and Analysis

• arxiv url: http://arxiv.org/abs/2502.13921v1
• Date: Wed, 19 Feb 2025 17:53:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-20 14:01:45.519437
• Title: Exploring Code Language Models for Automated HLS-based Hardware Generation: Benchmark, Infrastructure and Analysis
• Title（参考訳）: HLSベースのハードウェア自動生成のためのコード言語モデル探索:ベンチマーク、インフラストラクチャ、分析
• Authors: Jiahao Gai, Hao, Chen, Zhican Wang, Hongyu Zhou, Wanru Zhao, Nicholas Lane, Hongxiang Fan,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 49.998130983414924
• License:
• Abstract: Recent advances in code generation have illuminated the potential of employing large language models (LLMs) for general-purpose programming languages such as Python and C++, opening new opportunities for automating software development and enhancing programmer productivity. The potential of LLMs in software programming has sparked significant interest in exploring automated hardware generation and automation. Although preliminary endeavors have been made to adopt LLMs in generating hardware description languages (HDLs), several challenges persist in this direction. First, the volume of available HDL training data is substantially smaller compared to that for software programming languages. Second, the pre-trained LLMs, mainly tailored for software code, tend to produce HDL designs that are more error-prone. Third, the generation of HDL requires a significantly higher number of tokens compared to software programming, leading to inefficiencies in cost and energy consumption. To tackle these challenges, this paper explores leveraging LLMs to generate High-Level Synthesis (HLS)-based hardware design. Although code generation for domain-specific programming languages is not new in the literature, we aim to provide experimental results, insights, benchmarks, and evaluation infrastructure to investigate the suitability of HLS over low-level HDLs for LLM-assisted hardware design generation. To achieve this, we first finetune pre-trained models for HLS-based hardware generation, using a collected dataset with text prompts and corresponding reference HLS designs. An LLM-assisted framework is then proposed to automate end-to-end hardware code generation, which also investigates the impact of chain-of-thought and feedback loops promoting techniques on HLS-design generation. Limited by the timeframe of this research, we plan to evaluate more advanced reasoning models in the future.
• Abstract（参考訳）: コード生成の最近の進歩は、PythonやC++のような汎用プログラミング言語に大規模言語モデル(LLM)を採用する可能性を示し、ソフトウェア開発の自動化とプログラマの生産性向上の新たな機会を開いた。 ソフトウェアプログラミングにおけるLLMの可能性は、自動ハードウェア生成と自動化の探求に大きな関心を呼んだ。 ハードウェア記述言語(HDL)の生成にLLMを採用するための予備的な取り組みは行われているが、この方向にはいくつかの課題が続いている。 第一に、利用可能なHDLトレーニングデータの量は、ソフトウェアプログラミング言語と比べてかなり小さい。 第二に、主にソフトウェアコード用に調整された事前訓練されたLLMは、よりエラーを起こしやすいHDL設計を生成する傾向がある。 第3に,HDLの生成にはソフトウェアプログラミングに比べてトークンの数が非常に多く,コストとエネルギー消費の非効率性が求められる。 これらの課題に対処するために, HLSベースのハードウェア設計のためのLCMの活用について検討する。 ドメイン特化プログラミング言語のコード生成は文献上新しいものではないが、実験結果、洞察、ベンチマーク、評価インフラを提供することを目標とし、LSM支援ハードウェア設計のための低レベルHDLに対するHLSの適合性を検討する。 そこで本研究では,テキストプロンプトとそれに対応する参照型HLS設計による収集データセットを用いて,HLSベースのハードウェア生成のための事前学習モデルをファインチューンする。 LLM支援フレームワークはエンドツーエンドのハードウェアコード生成を自動化するために提案され、HLS設計におけるチェーン・オブ・シントとフィードバック・ループの効果も調べている。 本研究の期間に限定して,今後,より高度な推論モデルの評価を行う予定である。

関連論文リスト

• Are LLMs Any Good for High-Level Synthesis? [1.3927943269211591]
  大規模言語モデル(LLM)は、高レベル合成(HLS)プロセスの合理化や置き換えが可能である。 LLMは自然言語の仕様を理解し、Cコードや自然言語の仕様を翻訳することができる。 本研究の目的は、AIアクセラレーション、組み込みシステム、高性能コンピューティングなどのアプリケーションにおいて、最適化されたハードウェア設計のための将来的な方向性を特定することである。
  論文  参考訳（メタデータ） (2024-08-19T21:40:28Z)
• Requirements are All You Need: From Requirements to Code with LLMs [0.0]
  大規模言語モデル(LLM)は、ソフトウェア工学のタスクに適用できる。 本稿では,要求文書からコードスニペットを自動生成するLLMについて述べる。 複雑なユーザ要件を解釈し、ロバストな設計とコードソリューションを作成する上で、LCMの熟練度を実証する。
  論文  参考訳（メタデータ） (2024-06-14T14:57:35Z)
• VHDL-Eval: A Framework for Evaluating Large Language Models in VHDL Code Generation [4.700008016247411]
  本稿では,VHDLコード生成タスクの評価に特化して設計された包括的評価フレームワークを提案する。 このデータセットは、Verilog評価問題の集合をVHDLに翻訳し、公開されているVHDL問題を集約することにより、合計202の問題を発生させる。 生成したVHDL符号の機能的正当性を評価するために, 自己検証テストベンチのキュレートセットを利用する。
  論文  参考訳（メタデータ） (2024-06-06T00:06:50Z)
• Digital ASIC Design with Ongoing LLMs: Strategies and Prospects [0.0]
  大きな言語モデル(LLM)は、ハードウェア記述言語(HDL)コードの自動生成の可能性を秘め、将来性のある開発と見なされている。 本稿では,LLMをデジタルASIC設計に活用するためのターゲット戦略を提案する。
  論文  参考訳（メタデータ） (2024-04-25T05:16:57Z)
• From English to ASIC: Hardware Implementation with Large Language Model [0.210674772139335]
  本稿では,最先端の自然言語モデルの微調整とHDLコードデータセットの再シャッフルについて述べる。 この微調整は、正確で効率的なASIC設計を生成するモデルの習熟度を高めることを目的としている。 データセットのリシャッフルは、トレーニング材料の範囲を広げ、品質を向上させることを意図している。
  論文  参考訳（メタデータ） (2024-03-11T09:57:16Z)
• 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)
• If LLM Is the Wizard, Then Code Is the Wand: A Survey on How Code Empowers Large Language Models to Serve as Intelligent Agents [81.60906807941188]
  大型言語モデル(LLM)は、自然言語と形式言語(コード)の組み合わせに基づいて訓練される コードは、標準構文、論理一貫性、抽象化、モジュール性を備えた高レベルの目標を実行可能なステップに変換する。
  論文  参考訳（メタデータ） (2024-01-01T16:51:20Z)
• LLM4EDA: Emerging Progress in Large Language Models for Electronic Design Automation [74.7163199054881]
  大規模言語モデル(LLM)は、文脈理解、論理推論、回答生成においてその能力を実証している。 本稿では,EDA分野におけるLLMの応用に関する系統的研究を行う。 論理合成,物理設計,マルチモーダル特徴抽出,回路のアライメントにLLMを適用することに焦点を当て,今後の研究の方向性を強調した。
  論文  参考訳（メタデータ） (2023-12-28T15:09:14Z)
• Evaluating, Understanding, and Improving Constrained Text Generation for Large Language Models [49.74036826946397]
  本研究では,大言語モデル(LLM)の制約付きテキスト生成について検討する。 本研究は主に,制約を語彙型,構造型,関係型に分類するオープンソース LLM に重点を置いている。 その結果、LLMの能力と不足を照らし、制約を取り入れ、制約付きテキスト生成における将来の発展に対する洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-25T03:58:49Z)
• CodeRL: Mastering Code Generation through Pretrained Models and Deep Reinforcement Learning [92.36705236706678]
  CodeRLは、事前訓練されたLMと深層強化学習によるプログラム合成タスクのための新しいフレームワークである。 推論中、我々は重要なサンプリング戦略を持つ新しい生成手順を導入する。 モデルバックボーンについては,CodeT5のエンコーダデコーダアーキテクチャを拡張し,学習目標を拡張した。
  論文  参考訳（メタデータ） (2022-07-05T02:42:15Z)

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。