近日，实验室刘伟强教授、陈珂副研究员课题组在近似自动化设计方向取得进展，设计了一种高效近似设计空间探索架构，相关研究成果以“PreDAC: An Efficient Framework of Pre-Refining Enhanced Design Space Exploration for Approximate Computing”为题被Design Automation Conference（DAC）2025录用。DAC被公认为电子设计自动化领域水平最高的国际会议，本届会议将于2025年6月22日至25日在美国旧金山举行。

文章导读

        在后摩尔时代，近似计算利用应用的容错特性，通过有效平衡计算精度与硬件成本，逐渐发展为突破传统计算范式的重要研究方向。目前，近似设计领域面临双重挑战：一方面，主流近似方案设计仍高度依赖领域人工经验，缺乏系统化的EDA工具支持；另一方面，现有设计空间探索（Design Space Exploration, DSE）方法在处理高维复杂解空间时，存在收敛效率与解质量难以兼顾的固有局限。

图1 PreDAC框图

        针对上述挑战，实验室刘伟强教授、陈珂副研究员团队提出了一种基于预筛选机制的增强型设计空间探索框架。该创新架构包含两个关键模块：首先构建覆盖主流近似乘法器的基准库，通过二阶预筛选机制（误差约束筛选与性能特征筛选）生成应用定制的帕累托解空间，将设计空间维度降低1-2个数量级；继而采用新型成本驱动型DSE算法，通过动态权重调节机制实现解质量与收敛速度的平衡。特别地，算法引入边界探索策略，从精确设计基准点逐步扩展至解空间边界，并设计残差空间微调机制，充分利用终止条件达成后的剩余计算资源进行局部优化。

图2 不同指标及应用下的乘法器帕累托集

        研究团队将预筛选架构应用于四种常见容错应用的设计空间探索任务进行验证与对比。结果表明：预筛选机制可使现有DSE算法的运行效率提升达87倍，同时获得额外23%的硬件优化收益。在相同近似库条件下，本框架相较于传统方法，在维持解质量相当的前提下实现7.7倍的平均加速；当限定同等时间预算时，硬件成本可进一步降低8.8%。这些数据证实了所提方法在加速设计收敛与提升优化效果方面的显著优势。

图3 PreDAC、JS和FPAX的探索效率比较结果

        实验室硕士研究生崔子英与陈珂副研究员为论文共同第一作者，刘伟强教授和陈珂副研究员为本文共同通讯作者。该研究工作得到了国家自然科学基金、国家重点研发计划等项目的资助。