論文の概要: Graph-Based ECO and Patch Generation for High-Level Synthesis

• arxiv url: http://arxiv.org/abs/2604.14248v1
• Date: Wed, 15 Apr 2026 07:13:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:29.942918
• Title: Graph-Based ECO and Patch Generation for High-Level Synthesis
• Title（参考訳）: グラフベースのECOと高レベル合成のためのパッチ生成
• Authors: Alireza Azadi, Paul Rigge, Ethan Mahintorabi, Kenneth B. Kent,
• Abstract要約: 本稿では,Google XLSに適したグラフベースのECO手法を提案する。 パッチ適用機構は、意味的正確性を維持しつつ、XLS IR制約を強制するために開発されている。 いくつかのXLS設計に対する実験では、高い構造的再利用率、効率的なスケジュール保存、完全な機能的正しさが示されている。
• 参考スコア（独自算出の注目度）: 0.5605112136737441
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-level synthesis (HLS) tools offer limited support for Engineering Change Orders (ECOs), making late-stage design modifications challenging and costly. This paper introduces a graph-based ECO methodology tailored for Google XLS. A Graph Edit Distance (GED) algorithm is used to detect structural differences between original and revised intermediate representations (IRs), which are then transformed into patch operations. A patch application mechanism is developed to enforce XLS IR constraints while preserving semantic correctness, together with a schedule constraining scheme that maintains the original pipeline registers. Experiments across several XLS designs demonstrate high structural reuse ratios, effective schedule preservation, and full functional correctness, highlighting the practicality of the approach for production HLS flows.
• Abstract（参考訳）: 高レベル合成(HLS)ツールは、エンジニアリング・チェンジ・オーダー(ECO)の限定的なサポートを提供し、後期的な設計変更を困難かつコストがかかる。 本稿では,Google XLSに適したグラフベースのECO手法を提案する。 グラフ編集距離(GED)アルゴリズムは、元の中間表現と修正された中間表現(IR)の間の構造的差異を検知し、パッチ操作に変換する。 パッチアプリケーション機構は、意味的正当性を保ちながらXLS IR制約を強制するために開発され、元のパイプラインレジスタを保持するスケジュール制約スキームが組み込まれている。 いくつかのXLS設計に対する実験は、高い構造的再利用率、効率的なスケジュール保存、完全な機能的正しさを示し、HLS生産のためのアプローチの実用性を強調している。

関連論文リスト

• GIFT: Bootstrapping Image-to-CAD Program Synthesis via Geometric Feedback [16.42151644490948]
  GIFTは、幾何学的フィードバックを利用して、テスト時間計算を高品質なトレーニングサンプルのブートストラップセットに変換するフレームワークである。 強い教師付きベースラインに対して平均IoUを12%改善し、より複雑なマルチモーダルシステムと競合し続ける。
  論文  参考訳（メタデータ） (2026-03-28T23:49:20Z)
• A Learning Method with Gap-Aware Generation for Heterogeneous DAG Scheduling [6.655206888698601]
  異種有向非巡回グラフ(DAG)のためのエンドツーエンド強化学習フレームワークを提案する。 WeCANはタスクプール互換性係数と生成誘起最適性ギャップに対処する。 グラフと実世界のTPC-H DAGの実験は、古典に匹敵する推論時間で、強いベースラインよりも改善されたメイスパンを示す。
  論文  参考訳（メタデータ） (2026-03-24T14:16:08Z)
• GLOW: Graph-Language Co-Reasoning for Agentic Workflow Performance Prediction [51.83437071408662]
  本稿では,AW性能予測のための統合フレームワークGLOWを提案する。 GLOWは、GNNのグラフ構造モデリング能力とLLMの推論能力を組み合わせる。 FLORA-Benchの実験では、GLOWは予測精度とランキングユーティリティにおいて最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-12-11T13:30:46Z)
• Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
  我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。 条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。 各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。 実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T05:28:28Z)
• GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
  論文  参考訳（メタデータ） (2025-10-06T08:09:15Z)
• Assemble Your Crew: Automatic Multi-agent Communication Topology Design via Autoregressive Graph Generation [91.17994756436259]
  大規模言語モデル(LLM)に基づくマルチエージェントシステム(MAS)は、多様な領域にわたる複雑な問題を扱うための強力なソリューションとして登場した。 既存のアプローチは、事前に定義されたエージェントセットとハードコードされた相互作用構造を持つテンプレートグラフ修正パラダイムに依存しているため、基本的に制限されている。 協調グラフをスクラッチから構築することで、このパラダイムを運用する新しい自己回帰モデルであるARG-Designerを提案する。
  論文  参考訳（メタデータ） (2025-07-24T09:17:41Z)
• Machine Learning Framework for Early Power, Performance, and Area Estimation of RTL [0.0]
  本稿では,ハードウェア記述言語(HDL)コードから直接,電力,性能,面積(PPA)メトリクスを早期に推定する合成前フレームワークを提案する。 提案したモデルはRTLと後合成設計を橋渡しし、重要な指標を正確に予測するのに役立つ。
  論文  参考訳（メタデータ） (2025-02-22T12:12:51Z)
• Logic Synthesis Optimization with Predictive Self-Supervision via Causal Transformers [19.13500546022262]
  LSOformerは、自動回帰トランスフォーマーモデルと予測SSLを利用して、結果の質の軌道(QoR)を予測する新しいアプローチである。 LSOformerは、クロスアテンションモジュールを統合して、回路グラフと最適化シーケンスからの洞察をマージし、QoRメトリクスの予測精度を向上させる。
  論文  参考訳（メタデータ） (2024-09-16T18:45:07Z)

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。