Increasing FPGA CAD Adaptability using Reinforcement Learning and Smart Perturbations
Notice bibliographique
Résumé
Field-programmable gate arrays (FPGAs) continue to evolve to best exploit the capabilities of new manufacturing technologies and to meet new applications’ needs. Hence, there is a need for an adaptable, high-quality FPGA computer-aided design (CAD) flow that can evaluate new architectural ideas. FPGA CAD tools should also efficiently map complex designs from various applications to completely defined devices in a short runtime to speed up design cycles and increase productivity. This thesis focuses on enhancing the adaptability and efficiency of the open-source VTR CAD flow,with a specific emphasis on the packing and placement stages. As placement is the most time-consuming stage in the FPGA CAD flow, we investigate various techniques to optimize it. First, we propose multiple smart perturbations that relocate blocks during simulated annealing placement to optimize both the wirelength and the critical path delay of the design. Second, we formulate the problem of selecting the move type to use at each point in the anneal as a reinforcement learning problem (introducing RLPlace). Subsequently, RLPlace 2.0 advances this concept by empowering the agent not only to determine the move type but also the specific block type to be moved. This innovation significantly enhances adaptability, allowing the tool to cater to a broader spectrum of FPGA architectures and application domains, while simultaneously improving the quality and the runtime of the flow. Additionally, to allow a more flexible CAD flow, we introduce the re-clustering API that can efficiently modify the packing decisions in various stages throughout the flow. This API opens the door for exploring many ideas like breaking the barrier between packing and placement by enabling more fine-grained moves during placement or building a generic legalizer for semi-legal flat placers. We verify the efficacy of the re-clustering API by implementing a multi-threaded iterative improvement packing algorithm. We also enhance the software engineering of VTR by doing code refactoring, implementing new graphical interfaces and much more. By combining adaptive RL algorithms, APIs to facilitate additional optimization, and a better engineered and flexible software tool, this thesis represents a significant stride towards a more adaptable and efficient FPGA CAD flow.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».