May, 2023

INVICTUS: 基于协同学习和搜索优化布尔逻辑电路综合

PDF
TL;DR研究提出了 INVICTUS，一个基于模型的离线强化学习（RL）解决方案，可自动生成一系列基于先前设计的训练数据集的逻辑化简启发式的序列，以用于芯片设计的逻辑合成。结果表明，与最先进的技术相比，INVICTUS 在合成电路的面积时延乘积（ADP）方面有显着改进，改进达到了最先进技术的 30% ，同时在运行时间方面还实现了高达 6.3 倍的降低。
logic synthesisreinforcement learninghardware designboolean logic gatesoptimization
发现论文，激发创造
  • 基于检索引导的强化学习的布尔电路最小化

    本研究对逻辑综合的学习和搜索技术进行了彻底的研究，发现预训练代理器在面对全新设计时可能偏离轨道，从而对搜索轨迹产生不利影响。我们提出了 ABC-RL，这是一个经过精心调整的 α 参数，能够在搜索过程中熟练地调整来自预训练代理器的建议。基于与训练数据集的最近邻检索相似性分数计算得到的 ABC-RL 针对广泛的硬件设计提供了优越的综合方案。我们的发现展示了合成电路质量结果（QoR）的显著改进，与现有技术相比，提高了最高达 24.8% 的性能。此外，与当前最先进的方法相比，ABC-RL 在运行时间上实现了高达 9 倍的减少（iso-QoR）。

    Jan, 2024

  • AISYN: 基于强化学习的人工智能逻辑综合框架

    通过应用强化学习算法，可以更好地解决逻辑综合中的局部最小值问题，从而实现对细胞面积等重要指标的显著优化。

    Feb, 2023

  • DRiLLS: 深度强化学习用于逻辑综合

    提出了一种基于强化学习的方法，自动化优化逻辑综合过程，通过训练 Actor Critic（A2C）智能体来实现无人工干预的设计优化，取得了较好的优化结果。

    Nov, 2019

  • 太大而无法失败？主动少样本学习引导的逻辑综合

    Bulls-Eye 是一种 fine-tuning 预训练模型的方法，可通过先前的综合数据精确地预测未见过的网路列表的综合配方的质量，这种方案实现了 2x-10x 的运行时间改进和比最先进的机器学习方法更好的结果质量。

    Apr, 2022

  • GALOIS: 通过可推广逻辑综合增强深度强化学习

    本文提出了一个新颖的通用逻辑合成（GALOIS）框架，通过程序草图和定义新的基于草图的混合程序语言来引导逻辑合成，自动生成高层次和严格因果逻辑的白盒程序，GALOIS 在各种具有复杂逻辑的决策任务上展示了优越的性能、可推广性和知识可重复利用性。

    May, 2022

  • 从输入输出示例中合成神经组合逻辑电路

    本研究提出了一种新颖的可完全解释的神经方法来合成组合逻辑电路，其特点是可以扩展到归纳情形并成功地学习了多种算术、位运算和信号路由操作，并且对于合成逐渐增大的实际电路始终产生良好的结果。

    Oct, 2022

  • 基于增强学习的实用高效量子电路综合与映射

    通过使用强化学习方法，将其整合到量子传递工作流中，实现了量子电路的综合和路由优化，且在速度和优化的效果上明显超越其他方法，在实际的量子传递过程中显示出很高的实用性。

    May, 2024

  • 基于强化学习的语法引导综合

    在这项研究中，我们将通用 SyGuS 问题作为树搜索框架，并提出了一种基于蒙特卡洛树搜索 (MCTS) 的增强学习引导合成算法。我们的算法结合了学习到的策略和值函数，以及平衡探索和利用的树上置信上界。我们还介绍了一种基于现有一阶可满足性问题的反合一方法自动生成 SyGuS 的训练数据。通过这些成果，我们的工具在训练和测试集中相比基准枚举算法提高了 26 个百分点，超过了 1 CVC5 等最先进工具的表现，同时我们还公开了我们的数据集以便于进一步应用机器学习方法解决 SyGuS 问题。

    Jul, 2023

  • 模拟电路验证的自适应规划搜索算法

    为了确保电路芯片的正常运行，该论文提出了一种基于机器学习的方法，利用高斯过程代理模型来训练操作条件配置，并在合成和实际电路中展示了更好的估计结果。

    Jun, 2023

  • 基于生成深度神经网络的逻辑综合

    本文介绍了一种基于 Circuit Transformer 模型的逻辑综合重写操作符，通过将现有技术和 Circuit Transformer 相结合，解决了规模可扩展性问题，并在 IWLS 2023 竞赛基准上证明了提出的重写方法的有效性。

    Jun, 2024