Exploring the generalizability of ml-driven model generation for hw design h/f

Le CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat.

Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale. Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs.

Implanté au coeur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international.

Les 20 000 collaboratrices et collaborateurs du CEA partagent trois valeurs fondamentales :

- La conscience des responsabilités
- La coopération
- La curiosité This internship aims to develop a methodology for constructing machine learning (ML)-based models that effectively generalize across the design space of the CVA6 processor. The objective is to predict performance, power, and area (PPA) metrics based on hardware configurations while reducing the number of required simulations. One aspect of the internship involves conducting a comprehensive state-of-the-art (SoA) review of advanced ML techniques, including Generative Adversarial Networks (GANs) for data augmentation, active learning for efficient simulation selection, and regression models for predictive analysis.
The intern will :
Conduct a state-of-the-art review to evaluate existing ML techniques for configuration-aware modeling.
Define and simulate, using an internal framework, a representative subset of CVA6 configurations to generate PPA metrics.
Explore and prototype ML approaches, such as GANs, active learning, and regression models.
Train and validate the models to ensure effective generalization across unseen configurations.
Propose a scalable and reproducible methodology for hardware configuration-aware modeling.
If time allows, the intern may also explore using the developed model for architectural exploration to efficiently identify optimized configurations.