DRiLLS：面向逻辑综合的深度强化学习
人工智能
2019-11-14 v2 机器学习
神经与进化计算
摘要
逻辑综合需要对综合优化流程进行广泛调优，其中结果质量（QoR）取决于所采用的优化序列。由于可能的优化排列呈指数级增长，高效的设计空间探索具有挑战性。因此，自动化优化过程是必要的。本工作中，我们提出一种新颖的基于强化学习的方法论，可在无人工干预的情况下导航优化空间。我们展示了一种优势 actor-critic（A2C）智能体的训练，该智能体寻求在时序约束下最小化面积。使用所提方法论，设计可在无人在环的情况下自主优化。在全面的 EPFL 基准套件上的评估表明，该智能体优于现有的探索方法论，并将 QoR 平均提升 13%。
引用
@article{arxiv.1911.04021,
title = {DRiLLS: Deep Reinforcement Learning for Logic Synthesis},
author = {Abdelrahman Hosny and Soheil Hashemi and Mohamed Shalan and Sherief Reda},
journal= {arXiv preprint arXiv:1911.04021},
year = {2019}
}
备注
ASPDAC'2020