BOiLS：面向逻辑综合的贝叶斯优化
机器学习
2021-11-12 v1 机器学习
摘要
在逻辑综合过程中优化电路的结果质量（QoR）是一项艰巨挑战，需要探索呈指数级增长的搜索空间。尽管专家设计的操作用于发现有效序列，但逻辑电路复杂度的提升更倾向于自动化流程。受机器学习成功的启发，研究者将深度学习和强化学习应用于逻辑综合。尽管取得了成功，这些技术仍存在样本复杂度高的问题，阻碍了广泛采用。为实现高效且可扩展的解决方案，我们提出 BOiLS，这是首个将现代贝叶斯优化用于导航综合操作空间的算法。BOiLS 无需人工干预，并通过新颖的高斯过程核与信赖域约束采集策略有效权衡探索与利用。在 EPFL 基准测试的一组实验中，我们证明了 BOiLS 在样本效率与 QoR 值方面均优于最先进方法。
引用
@article{arxiv.2111.06178,
title = {BOiLS: Bayesian Optimisation for Logic Synthesis},
author = {Antoine Grosnit and Cedric Malherbe and Rasul Tutunov and Xingchen Wan and Jun Wang and Haitham Bou Ammar},
journal= {arXiv preprint arXiv:2111.06178},
year = {2021}
}