DeepSeq：深度时序电路学习
机器学习
2023-11-14 v2 人工智能
摘要
电路表示学习是电子设计自动化（EDA）领域一个有前景的研究方向。在有充足数据进行预训练时，所学到的通用且有效的表示可通过在少量任务相关数据上微调来解决多个下游 EDA 任务。然而，现有方案仅针对组合电路，极大限制了其应用。本工作中，我们提出 DeepSeq，一种面向时序网表的新型表示学习框架。具体而言，我们引入了一种专用的图神经网络（GNN），其带有定制的传播机制，以利用时序电路中门之间的时间相关性。为保障有效学习，我们提出使用带有两组强相关监督的多任务训练目标：每个节点的逻辑概率与翻转概率。引入了一种新颖的双注意力聚合机制，以高效促进两项任务的学习。在多个基准电路上的实验结果表明，DeepSeq 优于其他用于时序电路学习的 GNN 模型。我们在下游功耗估计任务上评估了 DeepSeq 的泛化能力。经微调后，DeepSeq 可在不同工作负载下准确估计各类电路的功耗。
引用
@article{arxiv.2302.13608,
title = {DeepSeq: Deep Sequential Circuit Learning},
author = {Sadaf Khan and Zhengyuan Shi and Min Li and Qiang Xu},
journal= {arXiv preprint arXiv:2302.13608},
year = {2023}
}