論文の概要: SyntheticHLS: Building Diverse Synthetic High-Level Synthesis Datasets using LLMs

• arxiv url: http://arxiv.org/abs/2610.00106v1
• Date: Wed, 09 Sep 2026 02:40:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.371531
• Title: SyntheticHLS: Building Diverse Synthetic High-Level Synthesis Datasets using LLMs
• Title（参考訳）: 合成HLS:LLMを用いた多層合成高レベル合成データセットの構築
• Abstract要約: ディープラーニングと大規模言語モデル(LLM)は、半導体設計に急速に採用され、トレーニングデータセットの需要が高まっている。 LLMを用いた大規模・複雑・多様な合成HLSデータセットを生成するためのフレームワークであるSyntheticHLSを提案する。 我々は、一般的なHLSベンチマーク、ゼロショット合成設計、反復的に変更された設計で訓練され、テストされたHLS Quality-of-Results (QoR)ディープラーニングモデルを体系的に相互に検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning and large language models (LLMs) are rapidly gaining adoption in semiconductor design, driving demand for training datasets. Most efforts focus on hardware description languages (HDLs) while designs for high-level synthesis (HLS), a popular approach to domain-specific accelerators, remain scarce. HLS dataset efforts emphasize manual curation or design parameterization, seldom addressing high-quality LLM-based generation or diversity in code length, hierarchy, design-space size, latency, resource utilization, and application domain, potentially limiting model generalization. We propose SyntheticHLS, a framework for generating large-scale, complex, diverse synthetic HLS datasets using LLMs. Its two key ideas are: 1) an iterative feedback-guided mutation loop that uses paired HLS source code and design-space specifications to incrementally transform seed designs into more complex, scalable designs; and 2) quantitative metrics of HLS design complexity and design-space scalability that serve as measurable objectives for LLM-guided mutation. We systematically cross-validate an HLS Quality-of-Results (QoR) deep learning model trained and tested across common HLS benchmarks, zero-shot synthetic designs, and iteratively mutated synthetic designs. Synthetic designs transfer well to common benchmark test sets while the reverse does not hold. SyntheticHLS's iteratively mutated designs provide the most generalizable training corpus among the datasets studied. Analysis of the mutation process and dataset shows that metric-guided trajectories consistently improve targeted complexity and scalability objectives without regressing non-target metrics. Mutated designs span a substantially broader, more diverse design space than zero-shot generated designs. Our framework, dataset, and evaluation are open-source: https://github.com/sharc-lab/synthetic-hls.
• Abstract（参考訳）: ディープラーニングと大規模言語モデル(LLM)は、半導体設計に急速に採用され、トレーニングデータセットの需要が高まっている。 ほとんどの取り組みはハードウェア記述言語(HDL)に重点を置いているが、ドメイン固有のアクセラレーターに対する一般的なアプローチであるHLS(High-level synthesis)の設計は少ないままである。 HLSデータセットの取り組みは、手動のキュレーションや設計パラメータ化、コード長、階層構造、設計空間のサイズ、レイテンシ、リソース利用、アプリケーションドメインにおける高品質なLCMベースの生成や多様性にほとんど対処しない。 LLMを用いた大規模・複雑・多様な合成HLSデータセットを生成するためのフレームワークであるSyntheticHLSを提案する。 その2つの主要な考えは次のとおりである。 1)HLSソースコードと設計空間仕様を用いて、シードデザインをより複雑でスケーラブルなデザインにインクリメンタルに変換する反復的なフィードバック誘導突然変異ループ。 2) LLM誘導突然変異の計測可能な目的として, HLS設計の複雑さと設計空間のスケーラビリティを定量的に測定した。 我々は、一般的なHLSベンチマーク、ゼロショット合成設計、反復的に変更された合成設計で訓練され、テストされたHLS Quality-of-Results (QoR)ディープラーニングモデルを体系的に相互に検証する。 合成設計は共通ベンチマークテストセットによく伝達されるが、逆は保持されない。 合成HLSの反復的変更デザインは、研究されたデータセットの中で最も一般化可能なトレーニングコーパスを提供する。 変異プロセスとデータセットの分析から、メトリック誘導トラジェクトリは、ターゲット外のメトリクスを遅らせることなく、目標とする複雑性とスケーラビリティの目標を一貫して改善することを示している。 変異したデザインは、ゼロショットで生成されたデザインよりもはるかに広く、より多様なデザイン空間にまたがる。 私たちのフレームワーク、データセット、評価はオープンソースです。

関連論文リスト

• DiffHLS: Differential Learning for High-Level Synthesis QoR Prediction with GNNs and LLM Code Embeddings [9.543390277795092]
  DiffHLSencodes kernel and design intermediate-representation graphs with dedicated graph neural network branchs。 我々は、カーネルのベースラインと設計によるデルタを共同で予測し、それらを構成して設計予測を得る。 PolyBenchでは、DiffHLSattains the average MAPE than GNN baselines under four GNN backbones。
  論文  参考訳（メタデータ） (2026-04-10T11:54:56Z)
• InfoSynth: Information-Guided Benchmark Synthesis for LLMs [69.80981631587501]
  大規模言語モデル (LLM) は推論やコード生成において大きな進歩を見せている。 従来のベンチマーク作成は人手による作業に依存しています。 この作業では、推論ベンチマークの自動生成と評価のための新しいフレームワークであるInfo Synthを紹介した。
  論文  参考訳（メタデータ） (2026-01-02T05:26:27Z)
• Towards Syn-to-Real IQA: A Novel Perspective on Reshaping Synthetic Data Distributions [74.00222571094437]
  Blind Image Quality Assessment (BIQA)はディープラーニングを通じて大幅に進歩しているが、大規模なラベル付きデータセットの不足は依然として課題である。 合成データセットから学習した表現は、しばしば回帰性能を妨げる離散的かつクラスタ化されたパターンを示す。 本稿では,BIQAの一般化を促進するために,合成データ分布を再考する新しいフレームワークであるSynDR-IQAを紹介する。
  論文  参考訳（メタデータ） (2026-01-01T06:11:16Z)
• LLMSynthor: Macro-Aligned Micro-Records Synthesis with Large Language Models [20.767947974005168]
  LLM Synthorは、ターゲットのマクロ統計と一致した現実的なマイクロレコードを生成するマクロ認識シミュレータである。 合成データセットを反復的に構築し、合成アグリゲーションとターゲットアグリゲーションの差を最小限に抑える。 強力な現実主義、統計的忠実さ、実用性を実現し、経済学、社会科学、都市研究に広く応用されている。
  論文  参考訳（メタデータ） (2025-05-20T13:35:38Z)
• Scaling Laws of Synthetic Data for Language Models [125.41600201811417]
  プレトレーニングコーパスを多種多様な高品質な合成データセットに変換するスケーラブルなフレームワークであるSynthLLMを紹介した。 提案手法は,グラフアルゴリズムを用いて複数の文書にまたがるハイレベルな概念を自動的に抽出し,再結合することで実現している。
  論文  参考訳（メタデータ） (2025-03-25T11:07:12Z)
• Genetic Instruct: Scaling up Synthetic Generation of Coding Instructions for Large Language Models [59.60208063956459]
  大規模言語モデル(LLM)は、効果的なアライメントのために高品質な命令データを必要とする。 本稿では,大規模かつ高品質な符号化命令を合成するスケーラブルなアルゴリズムであるGenematic-Instructを提案する。
  論文  参考訳（メタデータ） (2024-07-29T20:42:59Z)
• HLSFactory: A Framework Empowering High-Level Synthesis Datasets for Machine Learning and Beyond [3.206764939601044]
  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。 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である。
  論文  参考訳（メタデータ） (2024-05-01T19:02:18Z)

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。