LLM晶圆级芯片设计空间探索框架

性能最高提升62.8%

该框架结合多保真贝叶斯优化，在大规模NoC晶圆级芯片设计空间中进行高效探索，超越GPU集群与现有晶圆级芯片设计。

朱景琛 · Chenhao, Xue · Yiqi, Chen · Zhao, Wang · 张晨 · Yu, Shen · Yifan, Chen · Zekang, Cheng · Yu, Jiang · Tianqi, Wang · 林亦波 · 胡薇 · 崔斌 · 王润声 · 梁云 · 孙广宇

IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems 2025

参数信息

训练性能提升（vs GPU集群）

62.8 %

训练性能提升（vs 现有WSC）

73.7 %

训练功耗降低（vs GPU集群）

38.6 %

训练功耗降低（vs 现有WSC）

42.4 %

推理性能提升

23.2 ×

推理功耗降低

15.7 ×

技术优势

探索效率高

采用多保真贝叶斯优化，在保证结果质量的同时大幅减少评估次数和探索时间。

性能显著领先

在相同或更低功耗下，LLM训练性能比GPU集群和现有WSC设计提升最高62.8%，推理性能提升23.2倍。

功耗大幅降低

在保持相同或更高性能时，训练功耗降低最高38.6%，推理功耗降低15.7倍。

提供设计权衡洞察

通过案例研究揭示WSC设计中的权衡关系，为LLM定制芯片设计提供指导。

应用场景

• AI芯片设计：用于大模型晶圆级芯片的设计空间探索与优化。
• 大模型训练：加速大模型训练芯片架构的设计寻优。
• 高性能计算：提升高性能计算芯片的处理能力和能效。
• 芯片设计空间探索：提供高效的多目标设计空间探索方法。