GNΩSIS：在生成高级合成数据集过程中获得的经验教训

《ACM Transactions on Architecture and Code Optimization》：GNΩSIS: Lessons Learned in Generating a High-Level Synthesis Dataset

高层次综合（HLS）自动化设计空间探索与大规模数据集构建，提出GNΩSIS数据集，涵盖219K个设计点，分析FPGA架构、频率和优化目标对QoR的影响，揭示指令优化规律与跨平台移植特性。

　　

摘要AI摘要

摘要

摘要

高级综合（HLS）通过抽象低级硬件复杂性来简化FPGA编程，利用指令集实现快速微架构定制。然而，确定最佳指令仍然是一个重大挑战，尤其是对于没有丰富硬件经验的软件开发者而言。基于HLS的设计空间探索（DSE）通过多种技术自动化生成指令配置来应对这一挑战。这些方法的有效性在很大程度上取决于所依赖数据的质量。不幸的是，现有的数据集在范围、复杂性和设备多样性方面往往存在局限性。为了解决这些问题，我们推出了GN$\Omega$SIS${}^1$，据我们所知，这是最大的开源HLS数据集，包含了来自知名基准测试套件和公共仓库的近219,000个设计点。该数据集涵盖了两种具有不同资源特性的FPGA和三种时钟频率。此外，我们还引入了一个通用的框架来自动化设计点的生成。我们评估了频率缩放、FPGA架构和优化目标对结果质量（QoR）指标的影响，分析了HLS指令在不同代码结构中的有效性，并研究了FPGA和频率之间的设计可移植性。这些分析为优化经验有限的设计者提供了关于QoR和HLS行为的实用见解。我们相信GN$\Omega$SIS将提高FPGA的可访问性，并成为HLS驱动DSE研究的推动力。该数据集可在Hugging Face上公开获取，框架可在GitHub上获取。

AI摘要

AI生成的摘要（实验性）

本摘要是使用自动化工具生成的，并非由文章作者编写或审核。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍是论文的主要总结。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

AI生成的摘要

该摘要由基于已发表文章文本的自动化系统生成。

生成日期：2026年2月11日。

本研究提出了GNΩSIS，这是最大的开源高级综合数据集，包含来自55个应用的近219,000个设计点，涵盖了两种FPGA架构和三种时钟频率。这项工作解决了FPGA设计中的一个关键挑战：对于没有丰富硬件经验的软件开发者来说，确定硬件综合的最佳指令仍然很困难，尤其是在自动化设计空间探索时。

该数据集是使用三步自动化框架创建的。首先，该方法使用基于LLVM的工具进行结构和计算源代码分析，以确定可以应用HLS指令的位置，例如循环和数组。该框架无需手动指定即可自动提取数组维度和循环次数。其次，在设计空间生成阶段，使用NSGA-II遗传算法系统地探索不同的指令配置，并使用Vitis HLS工具进行设计综合。此过程评估了循环流水线、数组划分和循环展开等指令在多个FPGA平台和频率上的效果。第三，数据分析检查了可综合性、可行性、结果质量指标以及性能和资源利用之间的帕累托最优权衡。

综合分析揭示了一些实用见解：提高时钟频率并不总是能提升性能，实际上由于更严格的时序约束，反而会增加HLS编译时间。资源更丰富的FPGA通过支持更深的流水线和更高的并行性来提高性能。最有效的优化策略针对的是最大数组和迭代次数最多的外部循环，因为较小的数组和内部循环对性能的影响逐渐减小。较大的展开、流水线和划分因素通过提高并行性显著提升性能，但同时增加了资源使用和编译复杂性。

可移植性分析表明，在同一FPGA上针对某一频率优化的设计在其他频率上也具有较好的移植性，但在资源不同的FPGA之间移植效果较差。在资源受限的设备上优化的设计在更强大的FPGA上的移植效果优于反向移植。

该框架评估了三种比较方法，包括默认的Vitis优化、特定于应用的设计空间探索和基于知识的优化方法。从数据集中得出的经验指导使设计者的速度提高了9.1倍（几何平均），对于优化经验有限的设计者具有实际价值。

GNΩSIS涵盖了来自Machsuite、RodiniaHLS和GitHub仓库的数据，针对资源受限的UltraScale+ MPSoC ZCU104以及高性能的Alveo U200在100、200和300 MHz下的数据。数据集的生成耗时超过两年，每个设计点的平均综合时间约为12.5分钟。该数据集和框架均公开可用，为未来的机器学习驱动的HLS优化和设计空间探索方法研究提供了支持。

此内容由AI生成。了解更多