GCN-RL 电路设计器：基于图神经网络与强化学习的可迁移晶体管尺寸设计
信号处理
2024-04-05 v1 机器学习
摘要
自动晶体管尺寸设计由于巨大的设计空间、复杂的性能权衡以及快速的技术进步而成为电路设计中的一项挑战性难题。尽管已有大量针对单一电路的晶体管尺寸设计工作，但关于将一个电路的知识迁移到另一个电路以减少重新设计开销的研究十分有限。在本文中，我们提出 GCN-RL Circuit Designer，利用强化学习（RL）在不同技术节点与拓扑之间迁移知识。此外，受电路即图这一简单事实的启发，我们使用图卷积神经网络（GCN）在电路拓扑表示上学习。GCN-RL 智能体提取拓扑图的特征，其顶点为晶体管，边为导线。与传统的黑盒优化方法（贝叶斯优化、进化算法）、随机搜索以及人类专家设计相比，我们基于学习的优化在四种不同电路上一致取得了最高的品质因数（FoM）。在五个技术节点与两种电路拓扑之间的迁移学习实验表明，带迁移学习的 RL 可比无知识迁移的方法实现高得多的 FoM。我们的可迁移优化方法使晶体管尺寸设计与设计移植更加高效。
引用
@article{arxiv.2005.00406,
title = {GCN-RL Circuit Designer: Transferable Transistor Sizing with Graph Neural Networks and Reinforcement Learning},
author = {Hanrui Wang and Kuan Wang and Jiacheng Yang and Linxiao Shen and Nan Sun and Hae-Seung Lee and Song Han},
journal= {arXiv preprint arXiv:2005.00406},
year = {2024}
}
备注
Accepted to the 57th Design Automation Conference (DAC 2020); 6 pages, 8 figures