[論文レビュー] CAD Tool Design Space Exploration via Bayesian Optimization

Yuzhe Ma, Ziyang Yu+1 more|arXiv (Cornell University)|Dec 12, 2019

Advanced Multi-Objective Optimization Algorithms参考文献 16被引用数 5

ひとこと要約

本論文は、EDAツールのパrameterチューニングにおける設計空間探索の自動化と高速化を目的として、ガウス過程回帰を用いたベイズ最適化フレームワークを提案する。面積、遅延、消費電力のすべての指標でベースラインを上回る性能向上を実証し、特にスカラー化された目的関数と獲得関数選択を伴う多目的最適化において、手動チューニングの作業負荷を大幅に削減している。

ABSTRACT

The design complexity is increasing as the technology node keeps scaling down. As a result, the electronic design automation (EDA) tools also become more and more complex. There are lots of parameters involved in EDA tools, which results in a huge design space. What's worse, the runtime cost of the EDA flow also goes up as the complexity increases, thus exhaustive exploration is prohibitive for modern designs. Therefore, an efficient design space exploration methodology is of great importance in advanced designs. In this paper we target at an automatic flow for reducing manual tuning efforts to achieve high quality circuits synthesis outcomes. It is based on Bayesian optimization which is a promising technique for optimizing black-box functions that are expensive to evaluate. Gaussian process regression is leveraged as the surrogate model in Bayesian optimization framework. In this work, we use 64-bit prefix adder design as a case study. We demonstrate that the Bayesian optimization is efficient and effective for performing design space exploration on EDA tool parameters, which has great potential for accelerating the design flow in advanced technology nodes.

研究の動機と目的

• 高パフォーマンス回路合成におけるEDAツールパrameter設定の手動チューニング作業負荷を低減すること。
• 先端プロセスノードにおける高次元で評価コストの高い設計空間探索の課題に対処すること。
• 多目的EDA最適化におけるガウス過程回帰を用いたベイズ最適化の有効性を評価すること。
• EDA設計空間探索において、従来のメタヒューリスティクス（例：遺伝的アルゴリズム）とベイズ最適化を比較すること。
• 獲得関数およびスケーリング戦略が多目的最適化パフォーマンスに与える影響を調査すること。

提案手法

• フレームワークは、EDAツールのパフォーマンスをパrameter設定のあらゆる組み合わせに対して予測するための代理モデルとして、ベイズ最適化とガウス過程回帰を用いる。
• 設計空間における次回の評価ポイントの選定を支援するために、改善確率（POI）などの獲得関数を採用する。
• 合成ツールを統合した自動パイプラインを構築し、反復的にEDAパrameter設定を評価・最適化する。
• 多目的最適化のため、面積、遅延、消費電力といったパフォーマンス指標を重み付き和を用いてスカラー化し、単一目的最適化を可能にする。
• 異なるスケールを持つ指標が大きな値に支配されないよう、スケーリング戦略を適用して指標を正規化する。
• 産業用CADスクリプトと本格的な合成フローを用いて、64ビットのプリフィックスアダー設計を対象に評価を実施した。

実験結果

リサーチクエスチョン

• RQ1 ベイズ最適化は、EDAツールパrameterの高次元で評価コストの高い設計空間を、効果的かつ効率的に探索できるか？
• RQ2 異なる獲得関数（例：POI）は、EDAパrameterチューニングにおける収束性と最適化品質にどのように影響するか？
• RQ3 EDA設計空間探索において、遺伝的アルゴリズムなどの従来のメタヒューリスティクスと比較して、ベイズ最適化はどの程度のパフォーマンス向上を達成できるか？
• RQ4 多目的指標のスケーリング戦略は、最適化の最終的結果にどのように影響するか？
• RQ5 本フレームワークは、産業ベースライン設定よりも優れたPPA（消費電力、性能、面積）トレードオフを達成できるか？

主な発見

• ベイズ最適化は30イテレーション以内に、面積、遅延、消費電力のすべての指標でベースラインの産業用CAD設定を上回った。
• 実験では、POI獲得関数が他の獲得関数よりも一貫して優れたパフォーマンスを示した。
• ベイズ最適化フレームワークは、面積でベースラインの98.7%、消費電力で96.7%、遅延で98.9%の性能を達成し、高い効率性と有効性を示した。
• 遺伝的アルゴリズムと比較して、ベイズ最適化はより速く収束し、より安定したトレジェクトリを示し、面積と遅延の最終値が低かった。
• 大きな値（例：面積）をスケーリングダウンし、小さな値（例：遅延）をスケーリングアップする戦略が、他のスケーリング戦略よりも優れた最適化結果をもたらした。
• 本手法は、先端プロセスノードにおけるEDAフローの高速化に強く寄与する可能性を示しており、手動チューニングの削減と設計品質の向上を実現した。