基于因果 Transformer 预测性自监督的逻辑综合优化
人工智能
2025-03-03 v2 机器学习
摘要
现代硬件设计受益于高级逻辑门提供的抽象，从而简化了逻辑电路的实现。逻辑综合优化 (LSO) 在电子设计自动化 (EDA) 流程的某一抽象层级上运行，旨在针对最终版图中的面积和速度等性能指标改进逻辑电路。该领域的最新趋势表明，人们对将机器学习 (ML) 应用于 EDA 的兴趣日益浓厚，特别是通过利用基于策略的强化学习 (RL) 方法的 ML 引导逻辑综合。尽管取得了这些进展，但由于公开电路受限以及图编码器的表达能力限制，现有模型面临过拟合和泛化能力有限等挑战。为了解决这些障碍并应对数据稀缺问题，我们引入了 LSOformer，这是一种利用自回归 Transformer 模型和预测性 SSL 来预测结果质量 轨迹的新方法。LSOformer 集成了交叉注意力模块，以融合来自电路图和优化序列的见解，从而提高 QoR 指标的预测准确性。实验研究验证了 LSOformer 的有效性，展示了其在 QoR 预测任务中优于基线架构的性能，在归纳设置下，分别在 EPFL、OABCD 和专有电路数据集上取得了 5.74%、4.35% 和 17.06% 的提升。
引用
@article{arxiv.2409.10653,
title = {Logic Synthesis Optimization with Predictive Self-Supervision via Causal Transformers},
author = {Raika Karimi and Faezeh Faez and Yingxue Zhang and Xing Li and Lei Chen and Mingxuan Yuan and Mahdi Biparva},
journal= {arXiv preprint arXiv:2409.10653},
year = {2025}
}