High-Level synthesis with large language models : AI-Automated Directive Injection
Visualizar/abrir
Data
2026Autor
Orientador
Co-orientador
Nível acadêmico
Graduação
Outro título
Síntese de alto nível com modelos de linguagem de grande porte : injeção de diretivas automatizada por IA
Assunto
Abstract
This work investigates the use of Large Language Models (LLMs) for the automated selection and injection of optimization directives in High-Level Synthesis (HLS) projects. The manual choice of these directives directly impacts performance, area utilization, and power consumption in FPGA-based systems, but typically requires prior experience and specialized domain knowledge. An automated pipeline was developed to leverage commercial LLMs from the Google Gemini and Gemma families to analyze C/C++ ...
This work investigates the use of Large Language Models (LLMs) for the automated selection and injection of optimization directives in High-Level Synthesis (HLS) projects. The manual choice of these directives directly impacts performance, area utilization, and power consumption in FPGA-based systems, but typically requires prior experience and specialized domain knowledge. An automated pipeline was developed to leverage commercial LLMs from the Google Gemini and Gemma families to analyze C/C++ source code and inject suitable pragmas to optimize loops, functions, and memory accesses, using a zero-shot prompt engineering strategy. The pipeline was evaluated against the MLDHLS benchmark suite using AMD Vitis HLS, and results were compared against an unoptimized baseline, the MLDHLS best-known solutions, and the HGBO state-of-the-art framework. The findings demonstrate that frontier LLMs can produce competitive directive configurations in a single inference pass, in some cases surpassing both the dataset reference and the iterative ML-based baseline, while also revealing systematic failure modes specific to zero-shot HLS optimization. ...
Resumo
Este trabalho investiga o uso de Modelos de Linguagem de Grande Porte (LLMs) para a seleção e injeção automatizada de diretivas de otimização em projetos de Síntese de Alto Nível (HLS). A escolha manual dessas diretivas impacta diretamente o desempenho, a utilização de área e o consumo de potência em sistemas baseados em FPGA, mas tipicamente requer experiência prévia e conhecimento especializado de domínio. Um pipeline automatizado foi desenvolvido para utilizar LLMs comerciais das famílias Go ...
Este trabalho investiga o uso de Modelos de Linguagem de Grande Porte (LLMs) para a seleção e injeção automatizada de diretivas de otimização em projetos de Síntese de Alto Nível (HLS). A escolha manual dessas diretivas impacta diretamente o desempenho, a utilização de área e o consumo de potência em sistemas baseados em FPGA, mas tipicamente requer experiência prévia e conhecimento especializado de domínio. Um pipeline automatizado foi desenvolvido para utilizar LLMs comerciais das famílias Google Gemini e Gemma na análise de código-fonte C/C++ e na injeção de pragmas adequados para otimizar laços, funções e acessos à memória, por meio de uma estratégia de engenharia de prompt zero-shot. O pipeline foi avaliado sobre o conjunto de benchmarks MLDHLS utilizando o AMD Vitis HLS, e os resultados foram comparados contra uma baseline não otimizada, as melhores soluções conhecidas do dataset MLDHLS e o framework de estado da arte HGBO. Os resultados demonstram que LLMs de fronteira são capazes de produzir configurações de diretivas competitivas em uma única inferência, superando em alguns casos tanto a referência do dataset quanto a baseline iterativa baseada em aprendizado de máquina, ao mesmo tempo em que revelam modos de falha sistemáticos específicos à otimização HLS por abordagem zero-shot. ...
Instituição
Universidade Federal do Rio Grande do Sul. Instituto de Informática. Curso de Ciência da Computação: Ênfase em Engenharia da Computação: Bacharelado.
Coleções
-
TCC Ciência da Computação (1246)
Este item está licenciado na Creative Commons License


