Короткозамкнутый: Проектирование схем на основе AlphaZero

ShortCircuit: AlphaZero-Driven Circuit Design

August 19, 2024

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

cs.AI

Аннотация

Проектирование микросхем тесно связано с созданием булевых схем, таких как графики И-Инверторов (AIG), из функциональных описаний, таких как таблиц истинности. В то время как недавние достижения в области глубокого обучения направлены на ускорение проектирования схем, эти усилия в основном сосредоточены на задачах, отличных от синтеза, и традиционные эвристические методы достигли плато. В данной статье мы представляем ShortCircuit, новую архитектуру на основе трансформера, которая использует структурные свойства AIG и выполняет эффективное пространственное исследование. В отличие от предыдущих подходов, пытающихся создать логические схемы с использованием глубоких сетей end-to-end, ShortCircuit использует двухфазный процесс, объединяющий обучение с учителем и обучение с подкреплением для улучшения обобщения на невидимые таблицы истинности. Мы также предлагаем вариант AlphaZero для работы с двойно экспоненциально большим пространством состояний и разреженностью вознаграждений, обеспечивая обнаружение близких к оптимальным конструкций. Для оценки генеративной производительности нашей обученной модели мы извлекаем 500 таблиц истинности из набора из 20 реальных цепей. ShortCircuit успешно создает AIG для 84,6% тестовых таблиц истинности с 8 входами и превосходит передовое средство синтеза логики ABC на 14,61% по размеру схем.

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.