Module-per-Object: a Human-Driven Methodology for C++-based High-Level\n Synthesis Design
Notice bibliographique
Résumé
High-Level Synthesis (HLS) brings FPGAs to audiences previously unfamiliar to\nhardware design. However, achieving the highest Quality-of-Results (QoR) with\nHLS is still unattainable for most programmers. This requires detailed\nknowledge of FPGA architecture and hardware design in order to produce\nFPGA-friendly codes. Moreover, these codes are normally in conflict with best\ncoding practices, which favor code reuse, modularity, and conciseness.\n To overcome these limitations, we propose Module-per-Object (MpO), a\nhuman-driven HLS design methodology intended for both hardware designers and\nsoftware developers with limited FPGA expertise. MpO exploits modern C++ to\nraise the abstraction level while improving QoR, code readability and\nmodularity. To guide HLS designers, we present the five characteristics of MpO\nclasses. Each characteristic exploits the power of HLS-supported modern C++\nfeatures to build C++-based hardware modules. These characteristics lead to\nhigh-quality software descriptions and efficient hardware generation. We also\npresent a use case of MpO, where we use C++ as the intermediate language for\nFPGA-targeted code generation from P4, a packet processing domain specific\nlanguage. The MpO methodology is evaluated using three design experiments: a\npacket parser, a flow-based traffic manager, and a digital up-converter. Based\non experiments, we show that MpO can be comparable to hand-written VHDL code\nwhile keeping a high abstraction level, human-readable coding style and\nmodularity. Compared to traditional C-based HLS design, MpO leads to more\nefficient circuit generation, both in terms of performance and resource\nutilization. Also, the MpO approach notably improves software quality,\naugmenting parametrization while eliminating the incidence of code duplication.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».