概要 - GENIAL: ネットワーク逆転を通じて低消費電力アルゴリズム論理ユニットの生成設計空間探索

タイトル

GENIAL: ネットワーク逆転を通じて低消費電力アルゴリズム論理ユニットの生成設計空間探索

時間

2025-07-25 06:34:59

著者

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

カテゴリ

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

リンク
http://arxiv.org/abs/2507.18989v1

PDF リンク
http://arxiv.org/pdf/2507.18989v1

概要

この論文では、算術ユニット、特に乗算器の自動生成と最適化のための機械学習に基づくフレームワークであるGENIALを提案します。AIの負荷が増えるにつれて、算術ユニットの最適化はデジタルシステムのエネルギー消費を削減するために非常に重要です。従来の設計フローは、しばしば手動またはヒューリスティックに基づく最適化に依存しており、設計空間の広範な探索を制限しています。 GENIALの核心は、2つの段階でトレーニングされたTransformerに基づくサブスタイトモデルで、自己監督事前トレーニングに続いて監督事前トレーニングです。このモデルは、抽象化された設計表現からパワーやエリアなどの主要なハードウェア指標を予測するために使用されます。サブスタイトモデルを逆転させることで、GENIALは特定の入力データ分布に対して消費電力を最小化する新しい被演算子エンコードを効率的に検索します。 GENIALは以下のいくつかのコンポーネントで構成されています： 1. デザイン生成器：設計の抽象化表現をRTL記述に変換します。 2. EDAタスクランチャー：合成やシミュレーションなどのEDAステップを実行し、QoR指標を抽出します。 3. 質量指標予測器（QMP）：目標QoR指標を予測するためにトレーニングされたサブスタイトモデルです。 4. デザイン推薦エンジン：QMPを使用して処理すべき新しい設計を推薦します。実験では、GENIALが他の方法よりも常にサンプル効率が高く、最適化された設計に向かってより速く収束することを示しました。代表的なAI負荷において、従来の2の補数エンコードに対して、乗算器内で最大18%のスイッチング活動の節約を達成しました。また、有限状態機械においても大幅な改善を達成し、幅広い論理機能に対する適用性を示しました。最後に、GENIALは算術ユニットの最適化のための非常に価値のあるツールを提供し、エネルギー効率の高いデジタルシステムの開発に寄与します。今後の研究では、GENIALをより大きな回路、他の入力値分布、および乗算器として十分に調査されていない回路に拡張することを探求します。

推奨論文

高速計算深熱化

正交制約付きモジュラーダイアナ合并：連続的および可逆モデル構成のための拡張可能なフレームワーク

画像とテキストの連携強化のための学習可能なリトリーブと放射線報告書生成のための融合

進化性を学習アルゴリズムとしてシミュレートすること：分布敏感性、耐性、制約のトレードオフに関する経験的研究

FD4QC：金融詐欺検出のための古典的および量子ハイブリッド機械学習の適用技術報告

DiffuMeta: 展開トランスフォーマーを用いた金属物質の逆設計のための代数言語モデル

TFNP内の階層：構成要素と崩壊

CASCADE：GoogleのLLM駆動JavaScriptデオブフューザー

PINNsと画像分類のための動的学習率スケジュールを用いた神経ネットワークトレーニングの改善

テストセットでの事前学習はもはや全てではありません：QAベンチマークに対する議論駆動のアプローチ