KarNet：一种高效的布尔函数化简器
计算机视觉与模式识别
2019-06-05 v1 机器学习
摘要
为优化数字电路的硬件实现，人们设计了多种方法来化简布尔表达式，如 Quine-McCluskey 算法、卡诺图求解、Petrick 方法和 McBoole 方法。然而，这些方法的算法实现是硬编码的，且它们的计算时间与表达式中涉及的最小项数量成正比。在本文中，我们提出 KarNet，其利用卷积神经网络通过捕获空间依赖关系来建模各单元位置与数值之间关系的能力来求解卡诺图。为此，卡诺图被表示为图像信号，其中每个单元被视为一个像素。实验结果表明，KarNet 的计算时间与最小项数量无关，且为基于规则的方法的百分之一到十分之一量级。研究发现，作为一个学习系统，KarNet 达到了接近百分之百的准确率、精确率和召回率。我们训练 KarNet 求解四变量卡诺图，并表明类似方法可应用于更多变量的卡诺图。最后，我们展示了一种使用 KarNet 构建完全准确且计算快速的系统的方法。
引用
@article{arxiv.1906.01363,
title = {KarNet: An Efficient Boolean Function Simplifier},
author = {Shanka Subhra Mondal and Abhilash Nandy and Ritesh Agrawal and Debashis Sen},
journal= {arXiv preprint arXiv:1906.01363},
year = {2019}
}
备注
5 pages, 8 figures