ShortCircuit: Circuitontwerp aangedreven door 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

Samenvatting

Chipontwerp is sterk afhankelijk van het genereren van Booleaanse schakelingen, zoals AND-Inverter Graphs (AIGs), vanuit functionele beschrijvingen zoals waarheidstabellen. Hoewel recente vooruitgang in deep learning gericht is op het versnellen van schakelingsontwerp, hebben deze inspanningen zich vooral gericht op taken anders dan synthese, en hebben traditionele heuristische methoden een plateau bereikt. In dit artikel introduceren we ShortCircuit, een nieuwe transformer-gebaseerde architectuur die gebruikmaakt van de structurele eigenschappen van AIGs en efficiënte ruimteverkenning uitvoert. In tegenstelling tot eerdere benaderingen die end-to-end generatie van logische schakelingen probeerden met behulp van deep networks, hanteert ShortCircuit een tweefasenproces dat supervised learning combineert met reinforcement learning om de generalisatie naar onbekende waarheidstabellen te verbeteren. We stellen ook een AlphaZero-variant voor om de dubbel exponentieel grote toestandsruimte en de schaarste van beloningen te hanteren, waardoor het mogelijk wordt om bijna-optimale ontwerpen te ontdekken. Om de generatieve prestaties van ons getrainde model te evalueren, extraheren we 500 waarheidstabellen uit een benchmark set van 20 real-world schakelingen. ShortCircuit genereert met succes AIGs voor 84,6% van de 8-input test waarheidstabellen, en overtreft de state-of-the-art logische synthese tool, ABC, met 14,61% in termen van schakelingsgrootte.

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.