Statistical Methods for Efficient Digital Electronic Hardware Design

Avec la complexité croissante de nombreuses nouvelles applications qui servent notre société moderne, il est essentiel de concevoir des plates-formes informatiques efficaces. Cependant, la conception de matériel efficace est un problème complexe à objectifs multiples et qui est influencée par de nombreux paramètres. Étant donné le nombre élevé de paramètres et objectifs qui sont impliqués dans ce processus de conception, la synthèse de toutes les combinaisons possibles n’est pas une méthode viable pour trouver la solution optimale. Ainsi, les chercheurs souhaitent trouver des methodes plus efficaces pour modéliser le matériel et effectuer une exploration de l’espace de conception. Cette recherche vise à optimiser le processus de conception matérielle d’algorithmes à calcul intensif utilisant l’intelligence artificielle. Pour atteindre cet objectif, diverses techniques d’intelligence artificielle, telles que l’apprentissage actif, l’apprentissage par renforcement et l’apprentissage automatique statistique, sont envisagées pour résoudre ce problème difficile. Cette thèse propose d’utiliser des algorithmes de recherche méta-heuristiques intelligents tels que l’optimisation Grey Wolf (GWO) en conjonction avec l’optimisation Bayésienne (BO) pour effectuer l’exploration de l’espace de conception matérielle. Nous montrons que nous pouvons réduire davantage l’effort de conception en utilisant un modèle de substitution créé sur la base de notre méthode hybride GWO-BO proposée. Le modèle de substitution est une abstraction utile pour détecter les interdépendances fonctionnelles et physiques dans le système afin de prédire avec précision ses performances (par exemple, le débit ou la latence). Nous évaluons notre méthodologie et montrons qu’elle peut produire des résultats compétitifs pour trouver les meilleurs paramètres de conception qui maximisent les performances du système. De plus, nous proposons une approche d’apprentissage actif basée sur un modèle pour réaliser la modélisation des performances du matériel. Notre méthode proposée utilise des modèles Bayésiens pour caractériser divers aspects des performances matérielles. Nous utilisons également des techniques d’apprentissage par transfert et d’amorçage de régression Gaussienne en conjonction avec un apprentissage actif pour créer des modèles plus précis. Notre méthode de modélisation statistique proposée fournit des modèles matérielles suffisamment précis pour effectuer simultanément l’exploration de l’espace de conception et la prédiction des performances. Nous utilisons notre méthode proposée pour effectuer l’exploration de l’espace de conception et la prédiction des performances pour diverses configurations matérielles, telles que la conception de micro-architecture et les noyaux OpenCL pour les FPGAs. Nos expériences montrent que le nombre d’échantillons nécessaires pour créer des modèles de performance diminue considérablement tout en maintenant le pouvoir prédictif de nos modèles statistiques proposés. Par exemple, la méthode proposée nécessite 65 % d’échantillons en moins pour créer le modèle de prédiction des performances. De plus, Dans le cadre de l’exploration de l’espace de conception, notre méthode proposée peut trouver les meilleurs paramètres de conception en explorant aussi peu que 50 échantillons.