ShortCircuit : Conception de circuits pilotée par AlphaZero

ShortCircuit: AlphaZero-Driven Circuit Design

August 19, 2024

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

cs.AI

Résumé

La conception de puces repose fortement sur la génération de circuits booléens, tels que les graphes AND-Inverse (AIG), à partir de descriptions fonctionnelles comme les tables de vérité. Bien que les récents progrès en apprentissage profond visent à accélérer la conception de circuits, ces efforts se sont principalement concentrés sur des tâches autres que la synthèse, et les méthodes heuristiques traditionnelles ont atteint un plateau. Dans cet article, nous présentons ShortCircuit, une nouvelle architecture basée sur les transformateurs qui exploite les propriétés structurelles des AIG et effectue une exploration efficace de l'espace. Contrairement aux approches antérieures tentant une génération de circuits logiques de bout en bout à l'aide de réseaux profonds, ShortCircuit utilise un processus en deux phases combinant l'apprentissage supervisé et l'apprentissage par renforcement pour améliorer la généralisation à des tables de vérité inédites. Nous proposons également une variante d'AlphaZero pour gérer l'espace d'états doublement exponentiel et la rareté des récompenses, permettant ainsi la découverte de conceptions quasi optimales. Pour évaluer les performances génératives de notre modèle entraîné, nous extrayons 500 tables de vérité d'un ensemble de référence de 20 circuits réels. ShortCircuit génère avec succès des AIG pour 84,6 % des tables de vérité de test à 8 entrées, et surpasse l'outil de synthèse logique de pointe, ABC, de 14,61 % en termes de taille de circuit.

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.