SNAC-Pack：打通神经架构搜索与FPGA部署壁垒的自动化闭环框架

神经架构搜索（NAS）作为自动化模型设计的强大工具，长期以来面临着优化目标与硬件实际部署成本脱节的严峻挑战。现有的NAS方法大多仅关注模型精度，或依赖如比特操作数（BOPs）等与真实硬件成本相关性较差的代理指标，这在现场可编程门阵列（FPGA）部署中尤为突出。FPGA的成本结构极其复杂，受限于查找表（LUTs）、数字信号处理器（DSPs）、触发器（Flip-flops）、块随机存取存储器（BRAM）以及延迟等多维预算的严格约束。针对这一关键缺口，研究团队提出了SNAC-Pack，这是一个开源的AutoML框架，专门用于实现硬件感知的神经架构代码协同设计及端到端的FPGA部署。该框架的核心贡献在于填补了算法搜索与硬件实现之间的鸿沟，通过引入硬件感知的搜索策略，确保生成的架构不仅在算法指标上表现优异，更在物理资源占用和时序性能上满足FPGA的实际限制，从而为资源受限环境下的深度学习部署提供了一套完整且高效的解决方案。在技术实现层面，SNAC-Pack构建了一个高度并行且自动化的搜索流水线。

框架底层采用Optuna与NSGA-II算法进行多目标全局搜索，以平衡精度与硬件成本。为了克服传统NAS中每次尝试都需进行综合从而带来的巨大计算开销，SNAC-Pack创新性地引入了硬件代理模型，该模型能够在搜索阶段快速输出每个候选架构的资源消耗和延迟估计值，从而避免了高昂的综合成本。所有搜索试验结果被加载到共享的SQLite数据库中，支持跨计算节点的并行工作进程，极大地提升了搜索效率。在全局搜索之后，框架进入局部搜索阶段，这一阶段应用了量化感知训练（QAT）结合迭代幅度剪枝的联合压缩循环，进一步压缩模型体积并提升推理效率。最终，经过优化的模型通过hls4ml Python库自动综合为FPGA固件。此外，框架提供了YAML配置文件和可选的代理前端界面，使得用户无需修改代码即可在新数据集上运行整个流程，实现了极高的易用性和灵活性。

为了验证SNAC-Pack的有效性，研究团队在两个极具挑战性的实际应用场景中进行了广泛实验：大型强子对撞机（LHC）的喷注分类任务和超导量子比特读出任务。在LHC喷注分类任务中，SNAC-Pack成功发现了紧凑的神经网络架构，这些架构在任务关键指标上匹配甚至超越了强大的基线模型，同时显著降低了FPGA上的资源利用率。在超导量子比特读出任务中，结果更为惊人。传统方法需要研究人员进行数月的手工微调来优化架构和参数，而SNAC-Pack通过自动化搜索，将这一设计空间探索过程缩短至数小时。消融实验进一步证实，硬件代理模型的准确性以及QAT与剪枝联合压缩策略对于最终部署性能至关重要。这些实验不仅证明了框架在通用基准上的有效性，更展示了其在科学计算和量子计算等前沿领域的巨大潜力，特别是在处理高维度、低延迟要求的实时数据处理任务时，SNAC-Pack展现出了传统手动设计无法比拟的效率优势。

SNAC-Pack的推出对开源社区、工业落地及后续研究具有深远的意义。对于开源社区而言，它提供了一个可复现、可扩展的硬件感知NAS基准框架，降低了研究者进入该领域的门槛。在工业落地方面，随着边缘计算和物联网设备的普及，如何在资源受限的嵌入式设备上高效部署深度学习模型成为关键需求，SNAC-Pack提供的端到端自动化流程能够大幅缩短从算法原型到硬件产品的开发周期，降低硬件设计成本。对于后续研究，该框架证明了硬件代理模型与自动化搜索结合的巨大价值，为未来探索更复杂的硬件约束（如ASIC、TPU等）以及多模态模型的硬件协同设计提供了新的思路。此外，其在量子计算领域的应用案例，也为跨学科研究提供了范例，展示了AI辅助设计在解决复杂科学问题中的广泛适用性。总体而言，SNAC-Pack不仅是一个工具，更是一种新的设计范式，推动了人工智能从纯软件优化向软硬协同优化的深刻转变。