wa-hls4ml: Benchmark für ML-Accelerator-Ressourcen und Latenzschätzung

Mit der zunehmenden Integration von Machine‑Learning‑Algorithmen in Hardwarelösungen für Echtzeitanwendungen hat sich die Entwicklung moderner Toolchains stark beschleunigt. Durch automatisierte Syntheseprozesse lassen sich Design‑Iterationen nun viel schneller durchführen, was die Produktivität in Forschung und Industrie enorm steigert.

Gleichzeitig tauchen neue Engpässe auf: Prozesse, die zuvor keine kritischen Bottlenecks darstellten, wie die eigentliche Hardware‑Synthese, werden zum limitierenden Faktor bei der schnellen Weiterentwicklung von ML‑Acceleratoren.

Um diesen Herausforderungen zu begegnen, stellt die neue Arbeit wa‑hls4ml ein umfassendes Benchmark‑Set vor. Es umfasst über 680.000 vollständig verbundene und konvolutionale neuronale Netze, die mit dem Tool hls4ml für Xilinx‑FPGAs synthetisiert wurden. Das Benchmark‑Set dient dazu, die Genauigkeit von Ressourcen‑ und Latenzvorhersagen für verschiedene ML‑Architekturen zu prüfen.

Die Bewertung konzentriert sich auf gängige Modelltypen aus wissenschaftlichen Anwendungsbereichen und liefert durchschnittliche Leistungswerte für einen ausgewählten Teil des Datensatzes. Zusätzlich werden neue Surrogatmodelle vorgestellt, die auf Graph‑Neural‑Netzwerken (GNN) und Transformer‑Architekturen basieren.

Die Ergebnisse zeigen, dass die Modelle die Latenz und den Ressourcenverbrauch für das 75‑Prozentile des Testdatensatzes innerhalb weniger Prozent der tatsächlich synthetisierten Werte vorhersagen können. Diese Fortschritte ermöglichen eine präzisere Planung von ML‑Accelerator‑Designs und beschleunigen den gesamten Entwicklungszyklus erheblich.