HLS-Seek: Generazione di Codice Consapevole della QoR per la Sintesi di Alto Livello tramite RL con Ricompensa Proxy Comparativa

Il nuovo framework sviluppato, HLS-Seek, mira a colmare il vuoto negli attuali metodi di sintesi di alto livello (HLS) basati su LLM, che si concentrano sulla correttezza funzionale trascurando aspetti della qualità dei risultati (QoR) come la latenza e l'utilizzo delle risorse. Una scoperta cruciale è che l'apprendimento per rinforzo per HLS può funzionare con confronti relativi tra candidati piuttosto che richiedere risultati di sintesi assoluti. HLS-Seek sostituisce il costoso RL con sintesi nel loop con un modello di ricompensa proxy comparativo, raggiungendo un'accuratezza di dominanza di Pareto del 99,53%. Per mitigare l'hacking della ricompensa, impiega un dropout Monte Carlo consapevole dell'incertezza, che attiva selettivamente la sintesi reale Vitis HLS per candidati con bassa confidenza, migliorando continuamente il proxy e raggiungendo un'accuratezza di sintesi dell'81,5%.