Kurzschluss: Schaltungsentwurf auf Basis von AlphaZero

ShortCircuit: AlphaZero-Driven Circuit Design

August 19, 2024

Autoren: Dimitrios Tsaras, Antoine Grosnit, Lei Chen, Zhiyao Xie, Haitham Bou-Ammar, Mingxuan Yuan

cs.AI

Zusammenfassung

Die Chip-Entwicklung stützt sich stark auf die Erzeugung von Booleschen Schaltungen, wie zum Beispiel AND-Inverter-Graphen (AIGs), aus funktionalen Beschreibungen wie Wahrheitstabellen. Während jüngste Fortschritte im Bereich des Deep Learning darauf abzielten, den Schaltungsentwurf zu beschleunigen, konzentrierten sich diese Bemühungen größtenteils auf Aufgaben, die nicht die Synthese betreffen, und traditionelle heuristische Methoden haben sich auf einem Plateau befunden. In diesem Paper stellen wir ShortCircuit vor, eine neuartige auf Transformer basierende Architektur, die die strukturellen Eigenschaften von AIGs nutzt und eine effiziente Raumexploration durchführt. Im Gegensatz zu früheren Ansätzen, die versuchten, die end-to-end Generierung von Logikschaltungen mithilfe von Deep Networks zu realisieren, verwendet ShortCircuit einen zweiphasigen Prozess, der überwachtes Lernen mit Verstärkungslernen kombiniert, um die Verallgemeinerung auf unbekannte Wahrheitstabellen zu verbessern. Wir schlagen auch eine AlphaZero-Variante vor, um den doppelt exponentiell großen Zustandsraum und die Spärlichkeit der Belohnungen zu bewältigen, was die Entdeckung nahezu optimaler Designs ermöglicht. Zur Bewertung der generativen Leistung unseres trainierten Modells extrahieren wir 500 Wahrheitstabellen aus einem Benchmark-Set von 20 realen Schaltungen. ShortCircuit generiert erfolgreich AIGs für 84,6% der 8-Eingabe-Test-Wahrheitstabellen und übertrifft das State-of-the-Art-Logiksynthesewerkzeug ABC um 14,61% in Bezug auf die Schaltunggröße.

English

Chip design relies heavily on generating Boolean circuits, such as AND-Inverter Graphs (AIGs), from functional descriptions like truth tables. While recent advances in deep learning have aimed to accelerate circuit design, these efforts have mostly focused on tasks other than synthesis, and traditional heuristic methods have plateaued. In this paper, we introduce ShortCircuit, a novel transformer-based architecture that leverages the structural properties of AIGs and performs efficient space exploration. Contrary to prior approaches attempting end-to-end generation of logic circuits using deep networks, ShortCircuit employs a two-phase process combining supervised with reinforcement learning to enhance generalization to unseen truth tables. We also propose an AlphaZero variant to handle the double exponentially large state space and the sparsity of the rewards, enabling the discovery of near-optimal designs. To evaluate the generative performance of our trained model , we extract 500 truth tables from a benchmark set of 20 real-world circuits. ShortCircuit successfully generates AIGs for 84.6% of the 8-input test truth tables, and outperforms the state-of-the-art logic synthesis tool, ABC, by 14.61% in terms of circuits size.