Curto-Circuito: Projeto de Circuitos Impulsionado 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

Resumo

O design de chips depende fortemente da geração de circuitos booleanos, como Gráficos AND-Inverter (AIGs), a partir de descrições funcionais como tabelas verdade. Embora os avanços recentes em aprendizado profundo tenham como objetivo acelerar o design de circuitos, esses esforços têm se concentrado principalmente em tarefas diferentes da síntese, e os métodos heurísticos tradicionais atingiram um platô. Neste artigo, apresentamos o ShortCircuit, uma arquitetura inovadora baseada em transformadores que aproveita as propriedades estruturais dos AIGs e realiza uma exploração eficiente do espaço. Ao contrário das abordagens anteriores que tentavam a geração de circuitos lógicos de ponta a ponta usando redes profundas, o ShortCircuit emprega um processo de duas fases que combina aprendizado supervisionado com aprendizado por reforço para aprimorar a generalização para tabelas verdade não vistas anteriormente. Também propomos uma variante do AlphaZero para lidar com o espaço de estados duplamente exponencialmente grande e a escassez das recompensas, possibilitando a descoberta de projetos quase ótimos. Para avaliar o desempenho generativo de nosso modelo treinado, extraímos 500 tabelas verdade de um conjunto de referência de 20 circuitos do mundo real. O ShortCircuit gera com sucesso AIGs para 84,6% das tabelas verdade de teste de 8 entradas, e supera a ferramenta de síntese lógica de ponta, ABC, em 14,61% em termos de tamanho de 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.