Skip the Benchmark: Generating System-Level High-Level Synthesis Data using Generative Machine Learning

高层次综合（HLS）设计空间探索（DSE）是一种广泛接受的方法，用于在HLS过程中有效地探索帕累托最优和最优硬件解决方案。有几个HLS基准和数据集可供研究社区评估其方法。不幸的是，这些资源有限，可能不足以进行复杂的多组分系统级探索。使用现有的HLS基准生成新数据可能很麻烦，因为需要专业知识和时间来有效地为不同的HLS设计和指令生成数据。因此，在先前的工作中使用合成数据来评估系统级HLS DSE。然而，合成数据的保真度往往不清楚，导致对系统级HLS DSE的质量存在不确定性。本文提出了一种新方法，称为Vaegan，它采用生成式机器学习来生成合成数据，这些数据足够强大，可以支持复杂的系统级HLS DSE实验，这些实验仅使用当前可用数据是难以实现的。我们探索和调整了变分自编码器（VAE）和生成对抗网络（GAN）来完成此任务，并使用最先进的数据集和指标评估了我们的方法。我们将我们的方法与先前的工作进行比较，并展示Vaegan有效地生成了接近真实数据分布的合成HLS数据。

使用生成机器学习方法生成逼真的合成数据以支持系统级高层次综合设计空间探索，解决现有数据资源有限的问题。

Vaegan是一种结合了变分自编码器和生成对抗网络的方法，用于生成逼真的合成数据，可用于复杂的系统级高层次综合设计空间探索。

论文通过使用Vaegan方法生成的合成数据与真实数据的分布非常接近，证明了该方法的有效性。实验使用了现有的数据集和指标进行了评似，同时还提供了开源代码。

最近的相关研究包括使用生成对抗网络生成合成数据的方法，以及使用其他机器学习方法进行高层次综合设计空间探索的方法。相关论文包括“Generating Synthetic Benchmarks for High-Level Synthesis using GANs”和“Machine Learning for High-Level Synthesis: A Survey”。