[論文レビュー] A Circuit Domain Generalization Framework for Efficient Logic Synthesis in Chip Design

Zhihai Wang, Lei Chen+8 more|arXiv (Cornell University)|Aug 22, 2023

VLSI and FPGA Design TechniquesEngineering被引用数 3

ひとこと要約

本稿では、ResubおよびMfs2オペレータにおける無効なノードレベル変換を予測・ pruning することで論理合成の高速化を図る、データ駆動型の回路ドメイン一般化フレームワークである PruneX を提案する。変換不変のドメイン知識を通じてドメイン不変表現を学習することにより、PruneX は産業界および大規模回路において最適化品質をほぼ同等に保ちながら、実行時間を最大3.1倍短縮する。

ABSTRACT

Logic Synthesis (LS) plays a vital role in chip design -- a cornerstone of the semiconductor industry. A key task in LS is to transform circuits -- modeled by directed acyclic graphs (DAGs) -- into simplified circuits with equivalent functionalities. To tackle this task, many LS operators apply transformations to subgraphs -- rooted at each node on an input DAG -- sequentially. However, we found that a large number of transformations are ineffective, which makes applying these operators highly time-consuming. In particular, we notice that the runtime of the Resub and Mfs2 operators often dominates the overall runtime of LS optimization processes. To address this challenge, we propose a novel data-driven LS operator paradigm, namely PruneX, to reduce ineffective transformations. The major challenge of developing PruneX is to learn models that well generalize to unseen circuits, i.e., the out-of-distribution (OOD) generalization problem. Thus, the major technical contribution of PruneX is the novel circuit domain generalization framework, which learns domain-invariant representations based on the transformation-invariant domain-knowledge. To the best of our knowledge, PruneX is the first approach to tackle the OOD problem in LS operators. We integrate PruneX with the aforementioned Resub and Mfs2 operators. Experiments demonstrate that PruneX significantly improves their efficiency while keeping comparable optimization performance on industrial and very large-scale circuits, achieving up to $3.1 imes$ faster runtime.

研究の動機と目的

• Resub や Mfs2 などの論理合成（LS）オペレータの非効率性に取り組み、無効な変換の割合が非常に高いことによる実行時間の長大化を解消する。
• 多様な回路構造にわたる一般化に失敗する、分布外（OOD）一般化問題を克服する。
• 変換不変表現を学習することで、未観測の回路に対しても一般化性能を向上させる、新しいドメイン一般化フレームワークを開発する。
• 提案されたフレームワークを既存の LS オペレータに統合し、最適化品質を損なわず効率性を向上させる。
• 大規模回路における不要な変換を最小限に抑えることで、チップ設計におけるTime to Market の短縮と、結果の品質向上を実現する。

提案手法

• 機能、構造、接続性情報（例：ファンアウト、レベル、カット、リーフ）に基づく二部グラフ表現を用いてノードレベル特徴量を構築する。
• ノードが変換に対して有効か無効かを分類するため、マルチヘッドアテンションを備えたオペレータ固有のグラフ畳み込みニューラルネットワーク（GCNN）を訓練する。
• 異なるスケールの回路にわたる安定した学習と一般化を向上させるために、入力特徴量に Min-Max 正規化を適用する。
• 3層（各1024ユニット）の全結合層を備えた Sigmoid 活性化関数を用いたマルチヘッドニューラルネットワークを用い、変換有効性の確率を出力する。
• 予測された有効性スコア順にノードをソートし、上位 k% の予測有効ノードにのみ変換を適用することで、計算コストを削減する。
• 複数の訓練チェックポイントからのモデル選択により、検証データ上で最も性能の良いモデルを選択し、耐性を高める。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型フレームワークは、Resub や Mfs2 などの論理合成オペレータにおける無効なノードレベル変換を効果的に同定・pruning できるか？
• RQ2 ある回路セットで学習したモデルは、未観測の分布外回路にどの程度一般化できるか？
• RQ3 ドメイン一般化技術は、最適化品質を劣化させることなく、論理合成の効率をどの程度向上できるか？
• RQ4 無効な変換のpruning が、大規模産業回路における実行時間と最適化品質（Quality of Results）に及ぼす影響は何か？
• RQ5 提案されたフレームワークは、同じノードレベル変換パラダイムに従う Rewrite や Refactor などの他の LS オペレータへも一般化可能か？

主な発見

• PruneX は産業界および非常に大規模な回路において、Resub および Mfs2 オペレータの実行時を最大3.1倍短縮しつつ、同等の最適化品質を維持する。
• Resub および Mfs2 オペレータは、論理合成全体の実行時間のおよそ79%を占めており、主要なボトルネックである。
• 真に有効なノードにのみ変換を適用した場合、デフォルトの Mfs2 オペレータと同等の最適化性能が達成され、pruning 策の有効性が裏付けられる。
• 連続的な変換処理における予測されたノードIDと真のノードIDとのわずかなずれは、有効ノードのスパarsity に起因し、最適化結果にほとんど影響を与えない。
• 提案されたドメイン一般化フレームワークにより、多様な回路分布にわたる一般化が可能となり、LS における OOD 一般化問題を初めて解決する。
• 本手法はオペレータに依存せず、同じノードレベル変換パラダイムに従う Rewrite や Refactor などの他の LS オペレータへも容易に拡張可能である。