Cortocircuito: Diseño de Circuitos Impulsado por AlphaZero

ShortCircuit: AlphaZero-Driven Circuit Design

August 19, 2024

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

cs.AI

Resumen

El diseño de chips depende en gran medida de la generación de circuitos Booleanos, como los Grafos de AND-Inversor (AIGs), a partir de descripciones funcionales como tablas de verdad. Si bien los avances recientes en aprendizaje profundo han buscado acelerar el diseño de circuitos, estos esfuerzos se han centrado principalmente en tareas distintas a la síntesis, y los métodos heurísticos tradicionales se han estancado. En este documento, presentamos ShortCircuit, una arquitectura novedosa basada en transformadores que aprovecha las propiedades estructurales de los AIGs y realiza una exploración eficiente del espacio. Contrariamente a enfoques anteriores que intentaban la generación de circuitos lógicos de extremo a extremo utilizando redes profundas, ShortCircuit emplea un proceso de dos fases que combina aprendizaje supervisado con aprendizaje por refuerzo para mejorar la generalización a tablas de verdad no vistas. También proponemos una variante de AlphaZero para manejar el espacio de estados exponencialmente grande y la escasez de recompensas, lo que permite descubrir diseños casi óptimos. Para evaluar el rendimiento generativo de nuestro modelo entrenado, extraemos 500 tablas de verdad de un conjunto de referencia de 20 circuitos del mundo real. ShortCircuit genera con éxito AIGs para el 84.6% de las tablas de verdad de prueba de 8 entradas, y supera a la herramienta de síntesis lógica de vanguardia, ABC, en un 14.61% en cuanto al tamaño de los circuitos.

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.