概要 - ApproxGNN：近似計算のためのデザイン空間探索におけるパラメータ予測のための事前トレーニングGNN

ApproxGNN：近似計算のためのデザイン空間探索におけるパラメータ予測のための事前トレーニングGNN

2025-07-22 09:24:13

{"Ondrej Vlcek","Vojtech Mrazek"}

{cs.AR}

ApproxGNNは、グラフニューラルネットワーク（GNN）を使用して近似アクセラレータの結果の品質（QoR）とハードウェアコスト（HWコスト）を予測する新しいアプローチです。この研究は、設計空間探索（DSE）プロセスにおいて重要です。設計者がアクセラレータ内の近似コンポーネントの最適な構成を探求し、精度とエネルギー効率をバランスさせることを目指しています。 既存の方法の限界、例えば新しい回路構成ごとに再トレーニングが必要、データセットが限られている、および手動の特徴エンジニアリングが必要であることから、ApproxGNNの開発が動機付けされました。この論文では以下の貢献が示されています： 1. 学習されたエンブーディングに基づく、近似コンポーネントの機能的特徴をより効果的に捕らえる新しいコンポーネント特徴抽出方法。これにより、伝統的な誤差メトリクスよりも近似コンポーネントの機能的特徴をより効果的に捕らえます。 2. GNN用のVerilogパーサー。Verilogコードを望ましいグラフ表現に変換し、さまざまなタイプのアクセラレータをサポートします。 3. 合成グラフィックスカーネル回路のグラフ生成の新しい方法。包括的なトレーニングデータセットの作成を可能にします。 4. 近似コンポーネントからの特徴抽出用の事前訓練されたユニバーサルモデル。再トレーニングなしでさまざまなタスクに適用可能であり、伝統的な誤差メトリクスに対して转移性能を向上させます。 提案された手法は以下のステップで構成されています： 1. **データセット生成**：さまざまな構成とコンポーネント組み合わせの近似アクセラレータのVerilog記述を生成します。 2. **グラフ変換**：Verilog記述を、ノードがコンポーネントであり、エッジが信号接続を表す有向非環グラフ表現に変換します。 3. **モデル訓練**：コンポーネントエンブーディングモデルを訓練し、近似コンポーネントから特徴表現を生成し、エンブーディングと回路構造に基づいてQoRとHWコストを推定する2つの予測モデルを訓練します。 4. **設計空間探索**：訓練されたモデルをサブストラット評価者として利用し、DSEを指導し、アクセラレータへの近似コンポーネントの最適割り当てを特定します。 実験結果は、ApproxGNNのエンブーディングが従来の方法と比較して予測精度を50%向上させ、微調整なしで統計機械学習アプローチに対して全体の予測精度が30%向上し、微調整付きで54%向上することを示しています。さらに、提案された手法は、高価な再トレーニングを必要とせずに異なる回路設計間での知識の转移を効果的に解決します。 Verilogパーサー、データセット、および結果モデルを含むオープンソースライブラリは、https://github.com/ehw-fit/approx-gnnで利用可能です。これにより、この分野におけるさらなる研究を促進します。 要約すると、ApproxGNNは、GNNを使用して効率的なDSEを実現することで、エネルギー効率の高い近似アクセラレータの設計に有望なアプローチです。予測精度と转移性を向上させる能力により、近似計算分野の研究者や設計者にとって価値のあるツールとなります。