Využití grafových neuronových sítí v aproximaci obvodů

Abstract

Tato práce zkoumá současný stav aproximovaného hardwaru a použití ML metod v návrhu hardwaru a prezentuje novou metodologii pro odhad QoR a HW ceny aproximovaného hardwaru s použitím GNN. Také je představen nový způsob trénovatelného extrahování metrik aproximativních komponent, díky kterému lze dosáhnout 50\% zlepšení přesnosti odhadu a přenostilenosti sítí na nová data v porovnání s existujícími řešeními. Dále je ukázáno zlepšení na různých úkolech a použití v oblasti prohledávání návrhového prostoru.

This thesis explores the current state of approximate hardware and ML methods in hardware design, and presents a novel methodology for QoR and HW cost prediction of approximate hardware using GNNs. The proposed approach introduces a trained feature extraction technique for approximate components, which leads to a 50\% improvement in prediction accuracy and transfer performance for unseen data, compared to previous methods. This thesis further demonstrates the proposed methodology's performance across various tasks and its use in Design Space Exploration.