OpenLS-DGF：面向逻辑综合机器学习任务的自适应开源数据集生成框架
人工智能
2024-11-19 v2
摘要
本文介绍了OpenLS-DGF，一种自适应逻辑综合数据集生成框架，旨在增强机器学习（ML）在逻辑综合过程中的应用。以往的数据集生成流程要么针对特定任务定制，要么缺乏集成的机器学习能力。OpenLS-DGF通过封装逻辑综合的三个基本步骤——布尔表示、逻辑优化和技术映射——支持各种机器学习任务。它以Verilog和适合机器学习的GraphML两种格式保留原始信息。Verilog文件提供半定制化能力，使研究人员能够插入额外步骤并逐步优化生成的数据集。此外，OpenLS-DGF包含一个自适应电路引擎，便于最终数据集管理和下游任务。生成的OpenLS-D-v1数据集包含来自成熟基准测试的46个组合设计，总计超过966,000个布尔电路。OpenLS-D-v1支持集成新数据特征，使其更适应新挑战。本文通过四个不同的下游任务展示了OpenLS-D-v1的通用性：电路分类、电路排序、结果质量（QoR）预测和概率预测。每个任务均选取代表逻辑综合的关键步骤，实验结果表明OpenLS-DGF生成的数据集具有显著的多样性和适用性。源代码和数据集可在https://github.com/Logic-Factory/ACE/blob/master/OpenLS-DGF/readme.md获取。
引用
@article{arxiv.2411.09422,
title = {OpenLS-DGF: An Adaptive Open-Source Dataset Generation Framework for Machine Learning Tasks in Logic Synthesis},
author = {Liwei Ni and Rui Wang and Miao Liu and Xingyu Meng and Xiaoze Lin and Junfeng Liu and Guojie Luo and Zhufei Chu and Weikang Qian and Xiaoyan Yang and Biwei Xie and Xingquan Li and Huawei Li},
journal= {arXiv preprint arXiv:2411.09422},
year = {2024}
}
备注
14 pages