쇼트서킷: 알파제로 기반 회로 설계

초록

칩 디자인은 진리표와 같은 기능적 설명으로부터 AND-인버터 그래프 (AIGs)와 같은 부울 회로를 생성하는 데 크게 의존합니다. 최근 딥러닝의 발전은 회로 설계를 가속화하기 위해 노력해 왔지만, 이러한 노력은 주로 합성이 아닌 다른 작업에 초점을 맞추었으며, 전통적인 휴리스틱 방법은 정체되어 있습니다. 본 논문에서는 AIG의 구조적 특성을 활용하고 효율적인 공간 탐색을 수행하는 새로운 트랜스포머 기반 아키텍처인 ShortCircuit을 소개합니다. 딥 네트워크를 사용하여 논리 회로를 end-to-end로 생성하려는 이전 접근법과는 달리, ShortCircuit은 보강 학습을 통해 감독 및 강화 학습을 결합하는 이른바 이중 단계 과정을 활용하여 보이지 않는 진리표에 대한 일반화를 향상시킵니다. 우리는 또한 이중 지수적으로 큰 상태 공간과 보상의 희소성을 처리하기 위해 AlphaZero 변형을 제안하여 거의 최적의 설계를 발견할 수 있도록 합니다. 훈련된 모델의 생성 성능을 평가하기 위해 20개의 실제 회로로 구성된 벤치마크 세트에서 500개의 진리표를 추출합니다. ShortCircuit은 8개 입력 테스트 진리표의 84.6%에 대해 AIG를 성공적으로 생성하며, 회로 크기 측면에서 최첨단 논리 합성 도구인 ABC를 14.61% 능가합니다.

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.

쇼트서킷: 알파제로 기반 회로 설계

ShortCircuit: AlphaZero-Driven Circuit Design

초록

Summary

Support

Support