KI-gestützte NoC-Design-Exploration: Neuronale Netzwerke optimieren Parameter

Die Gestaltung von Network-on-Chip (NoC)-Architekturen erfordert die Erkundung eines hochdimensionalen Konfigurationsraums, um gleichzeitig Durchsatz und Latenz zu erfüllen. Traditionelle Ansätze sind oft langsam und können die komplexen, nichtlinearen Parameterinteraktionen nicht adäquat handhaben.

In der neuen Studie wird ein maschinelles Lern‑Framework vorgestellt, das die NoC‑Design‑Exploration automatisiert. Dabei werden BookSim‑Simulationen mit rückwärtsgerichteten neuronalen Modellen kombiniert, um optimale Parameter für vorgegebene Leistungsziele vorherzusagen.

Die Autoren vergleichen drei Architekturen – einen Multi‑Layer Perceptron (MLP), ein Conditional Diffusion Model und einen Conditional Variational Autoencoder (CVAE). Durch die Erzeugung von über 150.000 Simulationsdatenpunkten für verschiedene Mesh‑Topologien kann das Modell die Parameterlandschaft umfassend abbilden.

Das Conditional Diffusion Model erzielt dabei die höchste Vorhersagegenauigkeit und erreicht auf unbekannten Daten einen mittleren quadratischen Fehler (MSE) von 0,463. Darüber hinaus reduziert das vorgeschlagene System die Design‑Exploration um mehrere Größenordnungen, was es zu einer praktikablen Lösung für schnelle und skalierbare NoC‑Co‑Design‑Prozesse macht.