Resumen - ApproxGNN: Un GNN preentrenado para la predicción de parámetros en la exploración del espacio de diseño para la computación aproximativa

ApproxGNN: Un GNN preentrenado para la predicción de parámetros en la exploración del espacio de diseño para la computación aproximativa

2025-07-22 09:24:13

{"Ondrej Vlcek","Vojtech Mrazek"}

{cs.AR}

ApproxGNN es un enfoque novedoso para predecir la calidad de resultados (QoR) y el costo de hardware (HW cost) de aceleradores aproximados utilizando redes neuronales de gráficos (GNNs). Esta investigación es crucial para el proceso de exploración del espacio de diseño (DSE) en la computación aproximada, donde los diseñadores buscan encontrar configuraciones óptimas de componentes aproximados dentro de los aceleradores para equilibrar la precisión y la eficiencia energética. Las limitaciones de los métodos existentes, como la necesidad de reiniciar el entrenamiento para cada nueva configuración de circuito, conjuntos de datos limitados y la ingeniería de características manual, motivaron el desarrollo de ApproxGNN. Este documento presenta las siguientes contribuciones: 1. Un nuevo método de extracción de características de componentes basado en embeddings aprendidos, que captura las características funcionales de los componentes aproximados de manera más efectiva que los métricos de error tradicionales. 2. Un analizador de Verilog para GNNs que transforma el código Verilog en la representación gráfica deseada, soportando varios tipos de aceleradores. 3. Un nuevo método para generar gráficos de circuitos de núcleos gráficos sintéticos, permitiendo la creación de conjuntos de datos de entrenamiento completos. 4. Un modelo universal preentrenado para la extracción de características de componentes aproximados que puede aplicarse a diferentes tareas sin necesidad de reiniciar, mejorando el rendimiento de transferencia sobre los métricos de error tradicionales. La metodología propuesta consta de los siguientes pasos: 1. **Generación de conjuntos de datos**: Generar descripciones Verilog de aceleradores aproximados con diversas configuraciones y combinaciones de componentes. 2. **Transformación de gráficos**: Transformar las descripciones Verilog en representaciones de grafos acíclicos dirigidos, donde los nodos representan componentes y los arcos representan conexiones de señales. 3. **Entrenamiento del modelo**: Entrenar un modelo de embedding de componentes para generar representaciones de características a partir de componentes aproximados y dos modelos de predicción para estimar QoR y HW cost basándose en los embeddings y la estructura del circuito. 4. **Exploración del espacio de diseño**: Utilizar los modelos entrenados como evaluadores sustitutos para guiar la DSE e identificar asignaciones óptimas de componentes aproximados al acelerador. Los resultados experimentales demuestran que los embeddings de ApproxGNN mejoran la precisión de la predicción en un 50% en comparación con los métodos convencionales y alcanzan una precisión general de predicción 30% mejor que los enfoques de aprendizaje automático estadístico sin ajuste fino y 54% mejor con ajuste fino rápido. Además, la metodología propuesta aborda eficazmente el desafío de transferir conocimientos entre diferentes diseños de circuitos sin requerir reinicios costosos. La biblioteca de código abierto que contiene el analizador de Verilog, el conjunto de datos y los modelos resultantes está disponible en https://github.com/ehw-fit/approx-gnn, facilitando la investigación adicional en este campo. En resumen, ApproxGNN es un enfoque prometedor para diseñar aceleradores aproximados de alta eficiencia energética mediante la habilitación de una DSE eficiente utilizando GNNs. Su capacidad para mejorar la precisión de la predicción y la transferibilidad lo convierten en una herramienta valiosa para los investigadores y diseñadores en el campo de la computación aproximada.