BoolGebra: Attributed Graph-learning for Boolean Algebraic Manipulation

要約

ブール代数操作は、電子設計自動化 (EDA) デザイン フローにおける論理合成の中核です。
既存の方法では最適化の機会を十分に活用することが難しく、多くの場合、爆発的な検索スペースと限られたスケーラビリティ効率に悩まされます。
この研究では、基本的な論理合成を改善することを目的とした、ブール代数操作のための新しい属性付きグラフ学習アプローチである BoolGebra を紹介します。
BoolGebra にはグラフ ニューラル ネットワーク (GNN) が組み込まれており、構造情報と機能情報の両方から初期特徴埋め込みを入力として取得します。
完全に接続されたニューラル ネットワークは、直接最適化結果を予測するための予測子として採用されており、検索スペースを大幅に削減し、最適化スペースを効率的に特定します。
この実験には、トレーニングされたモデルを使用して、デザイン固有の推論とクロスデザイン推論に関する BoolGebra モデルのトレーニングが含まれます。ここで BoolGebra は、クロスデザイン推論の一般化可能性と、小規模で単純なトレーニング データセットから大規模で複雑な推論データセットまでスケールできる可能性を実証します。
最後に、BoolGebra は既存の合成ツール ABC と統合され、SOTA ベースラインに基づくエンドツーエンドのロジック最小化評価を実行します。

要約(オリジナル)

Boolean algebraic manipulation is at the core of logic synthesis in Electronic Design Automation (EDA) design flow. Existing methods struggle to fully exploit optimization opportunities, and often suffer from an explosive search space and limited scalability efficiency. This work presents BoolGebra, a novel attributed graph-learning approach for Boolean algebraic manipulation that aims to improve fundamental logic synthesis. BoolGebra incorporates Graph Neural Networks (GNNs) and takes initial feature embeddings from both structural and functional information as inputs. A fully connected neural network is employed as the predictor for direct optimization result predictions, significantly reducing the search space and efficiently locating the optimization space. The experiments involve training the BoolGebra model w.r.t design-specific and cross-design inferences using the trained model, where BoolGebra demonstrates generalizability for cross-design inference and its potential to scale from small, simple training datasets to large, complex inference datasets. Finally, BoolGebra is integrated with existing synthesis tool ABC to perform end-to-end logic minimization evaluation w.r.t SOTA baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google