High-level Synthesis (HLS) has been widely adopted as it significantly improves the hardware design productivity and enables efficient design space exploration (DSE). HLS tools can be used to deliver solutions for many different kinds of design problems, which are often better solved with different levels of abstraction. While existing HLS tools are built using compiler infrastructures largely based on a single-level abstraction (e.g., LLVM), we propose ScaleHLS, a next-generation HLS compilation flow, on top of a multi-level compiler infrastructure called MLIR, for the first time. By using an intermediate representation (IR) that can be better tuned to particular algorithms at different representation levels, we are able to build this new HLS tool that is more scalable and customizable towards various applications coming with intrinsic structural or functional hierarchies. ScaleHLS is able to represent and optimize HLS designs at multiple levels of abstraction and provides an HLS-dedicated transform and analysis library to solve the optimization problems at the suitable representation levels. On top of the library, we also build an automated DSE engine to explore the multi-dimensional design space efficiently. In addition, we develop an HLS C front-end and a C/C++ emission back-end to translate HLS designs into/from MLIR for enabling the end-to-end ScaleHLS flow. Experimental results show that, comparing to the baseline designs only optimized by Xilinx Vivado HLS, ScaleHLS improves the performances with amazing quality-of-results -- up to 768.1x better on computation kernel level programs and up to 3825.0x better on neural network models.


翻译:高层次合成(HLS)已被广泛采用,因为它大大提高了硬件设计生产率,并使得高效的设计空间探索(DSE)得以实现。 HLS工具可用于为许多不同类型的设计问题提供解决方案,这些问题往往通过不同程度的抽象解决而得到更好的解决。虽然现有的HLS工具是使用主要基于单一层次抽象的编译基础设施(例如LLVMM)建立的,但我们提议在名为VLIR(VLIR)的多层次编译器基础设施之外,再建立一个规模化的HLS汇编流程,即下一代的HLS汇编流程。除了使用一个称为VLSIR(IR)的多层次编译器外,我们还可以使用能够更好地适应不同层次的某种特定算法(IR)的算法,从而在不同层次上更好地调整了特定的 HLSS(IS) 模型,从而将多层次的 C-LSLS 升级到 SLS(M-LA) 的升级升级到高层次的 C-LSLS(M-LLL) 的升级的模型,在适当的方向上,我们还在图书馆上建立一个自动的DSES-LS-LS-LS-LS-LS-LS-LS-LS-LS-S-S-LS-LS-LS-S-S-S-S-S-LVLV-S-S-S-S-S-S-S-S-LV-S-S-S-S-LV-S-S-S-S-S-S-S-LVLV-S-S-S-S-LVL-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-LV-S-S-S-S-S-S-S-S-SLV-SLVDLVLVDR-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-S-

0
下载
关闭预览

相关内容

专知会员服务
88+阅读 · 2021年6月29日
【CVPR2021】反事实的零次和开集识别
专知会员服务
25+阅读 · 2021年5月7日
专知会员服务
115+阅读 · 2019年12月24日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
(TensorFlow)实时语义分割比较研究
机器学习研究会
9+阅读 · 2018年3月12日
Machine Learning:十大机器学习算法
开源中国
20+阅读 · 2018年3月1日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
Arxiv
0+阅读 · 2021年10月4日
Arxiv
12+阅读 · 2021年7月26日
Arxiv
8+阅读 · 2018年5月15日
Arxiv
3+阅读 · 2018年4月3日
Arxiv
7+阅读 · 2018年3月21日
VIP会员
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
(TensorFlow)实时语义分割比较研究
机器学习研究会
9+阅读 · 2018年3月12日
Machine Learning:十大机器学习算法
开源中国
20+阅读 · 2018年3月1日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
Top
微信扫码咨询专知VIP会员