ShortCircuit: Progettazione di Circuiti Guidata da AlphaZero

ShortCircuit: AlphaZero-Driven Circuit Design

August 19, 2024

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

cs.AI

Abstract

La progettazione di chip si basa fortemente sulla generazione di circuiti booleani, come i grafi AND-Inverter (AIG), a partire da descrizioni funzionali come le tabelle di verità. Sebbene i recenti progressi nel deep learning abbiano mirato ad accelerare la progettazione dei circuiti, questi sforzi si sono concentrati principalmente su compiti diversi dalla sintesi, mentre i metodi euristici tradizionali hanno raggiunto un plateau. In questo articolo, introduciamo ShortCircuit, una nuova architettura basata su transformer che sfrutta le proprietà strutturali degli AIG e svolge un'esplorazione efficiente dello spazio. Contrariamente agli approcci precedenti che tentavano la generazione end-to-end di circuiti logici utilizzando reti neurali profonde, ShortCircuit adotta un processo in due fasi che combina apprendimento supervisionato con apprendimento per rinforzo per migliorare la generalizzazione a tabelle di verità non viste. Proponiamo inoltre una variante di AlphaZero per gestire lo spazio degli stati doppiamente esponenzialmente ampio e la scarsità dei reward, consentendo la scoperta di progetti quasi ottimali. Per valutare le prestazioni generative del nostro modello addestrato, estraiamo 500 tabelle di verità da un set di benchmark di 20 circuiti del mondo reale. ShortCircuit genera con successo AIG per l'84,6% delle tabelle di verità di test a 8 ingressi e supera lo strumento di sintesi logica all'avanguardia, ABC, del 14,61% in termini di dimensione dei circuiti.

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.