ScaleHLS: a scalable high-level synthesis framework with multi-level transformations and optimizations: invited
ScaleHLS: a scalable high-level synthesis framework with multi-level transformations and optimizations: invited
复制标题
ScaleHLS：具有多级转换和优化的可扩展高级综合框架：受邀
DOI：
10.1145/3489517.3530631
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
Chen, Deming
中科院分区：
文献类型：
--
作者：
Ye, Hanchen;Jun, HyeGang;Jeong, Hyunmin;Neuendorffer, Stephen;Chen, Deming
本文提出了一个可扩展的高级综合框架ScaleHLS的增强版本，该框架可以将高级综合C/C++程序和PyTorch模型编译成高效和可综合的C++设计。ScaleHLS的原始版本在C/C++内核和PyTorch模型上都实现了显著的加速[14]。在这篇文章中，我们首先强调了ScaleHLS在解决大规模HLS设计的表示、优化和探索方面存在的挑战方面的关键特性。为了进一步提高ScaleHLS的可扩展性，我们提出了一种增强的HLS变换和分析库，该库同时支持C++和Python，并提出了一种新的设计空间探索算法来更有效地处理具有层次结构的HLS设计。与原来的ScaleHLS相比，我们的增强版本在现场可编程门阵列上的加速比提高了60.9倍。ScaleHLS在https://github.com/hanchenye/scalehls.上完全开源
This paper presents an enhanced version of a scalable HLS (High-Level Synthesis) framework named ScaleHLS, which can compile HLS C/C++ programs and PyTorch models to highly-efficient and synthesizable C++ designs. The original version of ScaleHLS achieved significant speedup on both C/C++ kernels and PyTorch models [14]. In this paper, we first highlight the key features of ScaleHLS on tackling the challenges present in the representation, optimization, and exploration of large-scale HLS designs. To further improve the scalability of ScaleHLS, we then propose an enhanced HLS transform and analysis library supported in both C++ and Python, and a new design space exploration algorithm to handle HLS designs with hierarchical structures more effectively. Comparing to the original ScaleHLS, our enhanced version improves the speedup by up to 60.9× on FPGAs. ScaleHLS is fully open-sourced at https://github.com/hanchenye/scalehls.
登录
查看更多内容
DOI：
10.1109/hpca53966.2022.00060
发表时间：
2021-07
期刊：
2022 IEEE International Symposium on High-Performance Computer Architecture (HPCA)
影响因子：
--
作者：
Hanchen Ye;Cong Hao;Jianyi Cheng;Hyunmin Jeong;Jack Huang;S. Neuendorffer;Deming Chen
通讯作者：
Hanchen Ye;Cong Hao;Jianyi Cheng;Hyunmin Jeong;Jack Huang;S. Neuendorffer;Deming Chen
DOI：
10.1145/3453688.3461495
发表时间：
2021-02
期刊：
Proceedings of the 2021 Great Lakes Symposium on VLSI
影响因子：
--
作者：
Nan Wu;Yuan Xie;Cong Hao
通讯作者：
Nan Wu;Yuan Xie;Cong Hao
Chimera：用于 FPGA 高级综合的混合机器学习驱动的多目标设计空间探索工具
DOI：
10.1007/978-3-030-91608-4_52
发表时间：
2022
期刊：
ArXiv
影响因子：
--
作者：
Mang Yu;Sitao Huang;Deming Chen
通讯作者：
Deming Chen
Polygeist：将 C 提升为多面体 MLIR
DOI：
--
发表时间：
2021
期刊：
International Conference on Parallel Architectures and Compilation Techniques
影响因子：
--
作者：
William S. Moses;Lorenzo Chelini;Ruizhe Zhao;O. Zinenko
通讯作者：
O. Zinenko
文章的复制包：具有时间敏感仿射类型的可预测加速器设计
DOI：
--
发表时间：
2020
期刊：
Artifact Digital Object Group
影响因子：
--
作者：
Rachit Nigam;Sachille Atapattu;Samuel Thomas;Zhijing Li;T. Bauer;Yuwei Ye;Apurva Koti;Adrian Sampson;Zhiru Zhang
通讯作者：
Zhiru Zhang