Zusammenfassung - GENIAL: Generative Design Space Exploration durch Netzwerkumkehr für niedrigenergie-algorithmische Logik-Unit

GENIAL: Generative Design Space Exploration durch Netzwerkumkehr für niedrigenergie-algorithmische Logik-Unit

2025-07-25 06:34:59

{"Maxence Bouvier","Ryan Amaudruz","Felix Arnold","Renzo Andri","Lukas Cavigelli"}

{cs.LG,cs.AI,cs.AR}

Dieses Papier stellt GENIAL vor, ein auf maschinellem Lernen basierendes Framework zur automatischen Erstellung und Optimierung von arithmetischen Einheiten, insbesondere Multiplikatoren. Da die AI-Arbeitslasten zunehmen, wird die Optimierung von arithmetischen Einheiten entscheidend, um den Energieverbrauch digitaler Systeme zu reduzieren. Konventionelle Designflüsse verlassen sich oft auf manuelle oder heuristische Optimierung, was die Erkundung des riesigen Designraums einschränkt. Das Kernstück von GENIAL ist ein auf einem Transformer basierendes surrogate Modell, das in zwei Stufen trainiert wird: erst eine selbstsupervised Vortrainingsphase, gefolgt von einer supervised Feintuning-Phase. Dieses Modell wird verwendet, um wichtige Hardware-Metriken wie Leistung und Fläche aus abstrahierten Designdarstellungen vorherzusagen. Durch Inversion des surrogate Modells sucht GENIAL effizient nach neuen Operandencodings, die den Energieverbrauch für bestimmte Eingabedistributionsformen minimieren. GENIAL besteht aus mehreren Komponenten: 1. Design-Generator: Konvertiert die abstrahierte Darstellung eines Designs in eine RTL-Beschreibung. 2. EDA-Aufgabenstarter: Führt EDA-Schritte wie Synthese und Simulation aus, um QoR-Metriken zu extrahieren. 3. Qualitätsmetrik-Prognosemodell (QMP): Ein surrogate Modell, das darauf trainiert wurde, Ziel-QoR-Metriken vorherzusagen. 4. Design-Empfehlungsmodell: Nutzt das QMP, um neue Designs zu empfehlen, die verarbeitet werden sollen. Experimente zeigen, dass GENIAL in der Regel effizienter im Bezug auf Probenmenge als andere Methoden ist und schneller zu optimierten Designs konvergiert. Es erreicht bis zu 18% Einsparungen bei der Schaltaktivität innerhalb von Multiplikatoren auf repräsentativen AI-Arbeitslasten im Vergleich zur konventionellen Zweierkomplementkodierung. Darüber hinaus zeigt GENIAL seine Vielseitigkeit durch erhebliche Verbesserungen bei endlichen Zustandsmaschinen, was seine Anwendbarkeit für ein breites Spektrum von Logikfunktionen unterstreicht. Zusammenfassend lässt sich sagen, dass GENIAL ein wertvolles Werkzeug für die Optimierung von arithmetischen Einheiten ist und zur Entwicklung energieeffizienter digitaler Systeme beiträgt. Zukunftige Arbeiten werden die Skalierung von GENIAL auf größere Schaltungen, andere Eingabedistributionsformen und Schaltungen untersuchen, die nicht gründlich als Multiplikatoren untersucht wurden.