Adaptive Reconvergence-driven AIG Rewriting via Strategy Learning

要約

書き換えは、回路の性能、消費電力、面積 (PPA) の向上を目的とした論理合成の一般的な手順です。
従来の再収束駆動の And-Inverter Graph (AIG) 書き換え手法は、ブール代数の最小化を通じて再収束コーンを最適化することだけに焦点を当てています。
ただし、特定のコーンにより適した他のノード書き換えアルゴリズムを組み込む機会は存在します。
この論文では、マルチ戦略ベースの AIG 書き換えと戦略学習ベースのアルゴリズム選択という 2 つの主要な技術を組み合わせた適応再収束駆動型 AIG 書き換えアルゴリズムを提案します。
マルチ戦略ベースの書き換え手法は、マルチノード書き換えアルゴリズムのサポートを組み込むことで従来のアプローチを拡張し、最適化スペースを拡大します。
さらに、戦略学習ベースのアルゴリズム選択方法により、特定のコーンに最適なノード書き換えアルゴリズムが決定されます。
実験結果は、私たちが提案した方法により、サイズが平均 5.567\%、深さが 5.327\% という大幅な改善が得られることを示しています。

要約(オリジナル)

Rewriting is a common procedure in logic synthesis aimed at improving the performance, power, and area (PPA) of circuits. The traditional reconvergence-driven And-Inverter Graph (AIG) rewriting method focuses solely on optimizing the reconvergence cone through Boolean algebra minimization. However, there exist opportunities to incorporate other node-rewriting algorithms that are better suited for specific cones. In this paper, we propose an adaptive reconvergence-driven AIG rewriting algorithm that combines two key techniques: multi-strategy-based AIG rewriting and strategy learning-based algorithm selection. The multi-strategy-based rewriting method expands upon the traditional approach by incorporating support for multi-node-rewriting algorithms, thus expanding the optimization space. Additionally, the strategy learning-based algorithm selection method determines the most suitable node-rewriting algorithm for a given cone. Experimental results demonstrate that our proposed method yields a significant average improvement of 5.567\% in size and 5.327\% in depth.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google