Résumé - GENIAL : Exploration de l'espace de conception générique via l'inversion de réseau pour des unités logiques algorithmiques à faible consommation d'énergie

GENIAL : Exploration de l'espace de conception générique via l'inversion de réseau pour des unités logiques algorithmiques à faible consommation d'énergie

2025-07-25 06:34:59

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

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

Ce document présente GENIAL, un cadre basé sur l'apprentissage automatique pour la génération et l'optimisation automatiques des unités arithmétiques, en particulier des multiplicateurs. À mesure que les charges de travail de l'intelligence artificielle augmentent, l'optimisation des unités arithmétiques devient cruciale pour réduire la consommation d'énergie des systèmes numériques. Les flux de conception conventionnels dépendent souvent de l'optimisation manuelle ou heuristique, ce qui limite l'exploration de l'énorme espace de conception. Le cœur de GENIAL est un modèle de substitution basé sur un Transformer formé en deux étapes : un préentraînement supervisé suivi d'un ajustement fin supervisé. Ce modèle est utilisé pour prédire des métriques de matériel clés telles que la consommation d'énergie et la surface à partir de représentations de conception abstraites. En inversant le modèle de substitution, GENIAL cherche efficacement de nouvelles encodages d'opérandes qui minimisent la consommation d'énergie pour des distributions spécifiques de données d'entrée. GENIAL se compose de plusieurs composants : 1. Générateur de conception : Convertit la représentation abstraite d'une conception en une description RTL. 2. Lanceur de tâches EDA : Exécute des étapes EDA telles que la synthèse et la simulation pour extraire les métriques de qualité. 3. Prédicteur de métrique de qualité (QMP) : Un modèle de substitution formé pour prédire des métriques de qualité cibles. 4. Recommandateur de conception : Utilise le QMP pour recommander de nouvelles conceptions à traiter. Les expériences montrent que GENIAL est constamment plus efficace en termes de nombre d'échantillons que d'autres méthodes et converge plus rapidement vers des conceptions optimisées. Il atteint jusqu'à 18 % d'économies d'activité de commutation dans les multiplicateurs sur des charges de travail représentatives d'intelligence artificielle par rapport à l'encodage conventionnel de complément à deux. De plus, GENIAL montre une polyvalence en atteignant des améliorations significatives sur les machines à états finis, ce qui met en lumière son application pour un large spectre de fonctions logiques. En conclusion, GENIAL fournit un outil précieux pour l'optimisation des unités arithmétiques, contribuant au développement de systèmes numériques économes en énergie. Les travaux futurs exploreront l'échelle de GENIAL à des circuits plus grands, d'autres distributions de valeurs d'entrée et des circuits qui n'ont pas été suffisamment étudiés en tant que multiplicateurs.