DeepGate2：功能感知的电路表示学习
机器学习
2023-05-29 v1 人工智能
硬件体系结构
摘要
电路表示学习旨在获取电路元素的神经表示，已成为一个有望应用于各类 EDA 与逻辑推理任务的研究方向。现有方案（如 DeepGate）有潜力同时嵌入电路结构信息与功能行为。然而，由于其弱监督或模型设计缺陷，其能力受限，导致在下游任务中表现不佳。在本文中，我们提出 DeepGate2，一种新颖的功能感知学习框架，在学习效果与效率上均显著优于原始 DeepGate 方案。我们的方法采用采样逻辑门之间的成对真值表差异作为训练监督，并配以显式考量电路功能的精心设计并可扩展的损失函数。此外，我们考虑电路固有特性并设计了一个高效单轮图神经网络（GNN），其学习速度较原始 DeepGate 方案快一个数量级。实验结果展示了在两个实际下游任务中的显著提升：逻辑综合与布尔可满足性求解。代码可在 https://github.com/cure-lab/DeepGate2 获取。
引用
@article{arxiv.2305.16373,
title = {DeepGate2: Functionality-Aware Circuit Representation Learning},
author = {Zhengyuan Shi and Hongyang Pan and Sadaf Khan and Min Li and Yi Liu and Junhua Huang and Hui-Ling Zhen and Mingxuan Yuan and Zhufei Chu and Qiang Xu},
journal= {arXiv preprint arXiv:2305.16373},
year = {2023}
}