Avaliação do desempenho de IAs Generativas na Conversão de Código HLS para RTL

• Processo: 24/21130-4
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Iniciação Científica
• Data de Início da vigência: 01 de março de 2025
• Data de Término da vigência: 30 de junho de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Vanderlei Bonato
• Beneficiário: Giordano Santorum Lorenzetto
• Supervisor: Oliver Sinnen
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Instituição Anfitriã: University of Auckland, Nova Zelândia
• Vinculado à bolsa: 24/07574-7 - Avaliação da capacidade de modelos de inteligênciaartificial generativos e de uso público na produção de código RTL, BP.IC
• Palavra(s)-Chave do Pesquisador: Desempenho de hardware | Desenvolvimento de Hardware | Geração de Código RTL | High Level Synthesis | IA generativa | Modelos de Inteligência Artificial | Inteligência Artificial e Desenvolvimento de Hardware

Resumo

Este projeto investiga o uso de modelos de inteligência artificial generativa, como o ChatGPT (OpenAI) e o Gemini (Google), na conversão de código de High Level Synthesis (HLS) para Register Transfer Level (RTL). O objetivo é comparar a qualidade e a corretude funcional dos códigos RTL gerados por IA a partir de códigos em HLS, como C++ usado pela AMD Vitis HLS, com aqueles gerados por prompts em linguagem natural. Para tanto, será utilizado o repositório open source RTLLM, que fornece circuitos e testbenches para a verificação funcional dos códigos gerados. Além disso, será feita uma comparação entre o desempenho das IAs e as ferramentas HLS tradicionais, como a AMD Vitis HLS. As métricas avaliadas incluem uso de recursos, throughput, latência e a métrica pass@k para medir a funcionalidade dos códigos gerados. Este estudo visa contribuir para a compreensão do potencial das IAs generativas no desenvolvimento de hardware, oferecendo uma análise detalhada de sua aplicabilidade e eficiência em comparação aos métodos tradicionais.