Synthese von approximierten Hardware-Beschleunigern mit Monte-Carlo-Baumsuche (AxMCTS)

• Antragsteller: Professor Dr. Marco Platzner
• Fachliche Zuordnung: Rechnerarchitektur, eingebettete und massiv parallele Systeme
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 516597319

Die zentrale Idee des Approximate Computing (AxC) ist es, durch Reduktion der Rechengenauigkeit signifikante Verringerungen des Energieverbrauchs und/oder der Ausführungszeit und/oder der erforderlichen Chipfläche zu erreichen. In den letzten Jahren hat AxC stark an Interesse gewonnen und es wurden Ansätze auf verschiedenen Ebenen der Entwurfshierarchie vorgestellt. Auf der Ebene der digitalen Komponenten sind inzwischen Bibliotheken von approximierten arithmetischen Schaltungen verfügbar. Sind basierend auf solchen Komponenten komplette Hardware-Beschleuniger zu entwerfen, muss man sich mit einem außerordentlich großen Entwurfsraum befassen. Dies macht die automatisierte Synthese von Hardware-Beschleunigern zu einer großen Herausforderung in Bezug auf die Syntheselaufzeit und die Qualität der Ergebnisse. Unsere wissenschaftliche Hypothese ist, dass neuartige Monte-Carlo Tree Search (MCTS)-Techniken zu einer stark verbesserten Effizienz bei der Suche in diesem riesigen Entwurfsraum führen werden. AxMCTS ist originell, da MCTS - abgesehen von unserer eigenen Arbeit – bisher weder auf die approximative Hardwaresynthese noch auf die Hardwaresynthese im Allgemeinen angewendet wurde. In den letzten Jahren hat MCTS jedoch große Erfolge in anderen Bereichen erzielt, vor allem bei Spielen. Durch die Übertragung von MCTS-Techniken auf AxC wollen wir Synthesemethoden und -Werkzeuge entwickeln, die approximative Beschleuniger mit besseren Kompromissen zwischen Genauigkeit und Ausführungszeit bzw. Energieaufnahme bzw. Chipfläche in viel kürzerer Zeit als heute möglich liefern. Die wichtigsten Forschungsfragen sind: (i) Welche MCTS-Prinzipien und -Techniken können aus Bereichen übertragen werden, in denen MCTS sehr erfolgreich ist, und wo müssen wir neue AxC-spezifische Techniken entwickeln, um ein Werkzeug für die approximative Synthese von Hardware-Beschleunigern zu schaffen? (ii) Was sind geeignete Ansätze und Methoden, um die Effizienz und die Laufzeit des Suchprozesses zu verbessern, z.B. durch Kontrolle der Breite des Suchbaums, durch Lenkung der Suche auf die vielversprechendsten Regionen des Suchraums und durch Parallelisierung der Suche. (iii) Wie lassen sich die Vorteile und Grenzen der MCTS-basierten approximativen Hardware-Beschleunigersynthese quantitativ bewerten? Methodisch werden wir erfolgreiche MCTS-Techniken untersuchen, ein MCTS-basiertes Synthesewerkzeug entwickeln und algorithmische Methoden für eine effizientere Suche entwerfen. Insbesondere werden wir tiefe neuronale Netze einsetzen, um die wichtigsten Schritte in MCTS zu beschleunigen. Außerdem werden wir parallelisierte Suchtechniken für die Ausführung auf Hochleistungs-Rechenclustern entwickeln. Für die experimentelle Bewertung werden wir Syntheseexperimente durchführen, die sowohl auf FPGA-Backends als auch auf Standard-Zellbibliotheken abzielen, und für die Implementierung werden wir unser Open-Source-Framework CIRCA nutzen und erweitern.

• DFG-Verfahren: Sachbeihilfen