Краткое содержание

arXiv:2511.05615v1 Тип объявления: новый Аннотация: По мере всё большего внедрения машинного обучения (ML) в аппаратное обеспечение для решения проблем реального времени в научных приложениях, развитие продвинутых инструментальных цепочек значительно сократило время, необходимое для итераций различных проектов. Эти достижения устранили основные препятствия, но также выявили новые вызовы. Например, процессы, ранее не считавшиеся узкими местами, такие как синтез аппаратуры, становятся ограничивающими факторами быстрого цикла проектирования. Для смягчения возникающих ограничений были предприняты многочисленные усилия по разработке основанной на машинном обучении суррогатной модели оценки ресурсопотребления архитектур ускорителей ML. Мы представляем wa-hls4ml — бенчмарк для оценки ресурсов и латентности ускорителей машинного обучения, а также соответствующий начальный датасет, включающий свыше 680 тысяч полносвязных и свёрточных нейронных сетей, полностью синтезированных с помощью hls4ml и ориентированных на ПЛИС Xilinx. Бенчмарк оценивает производительность...