[論文レビュー] Machine Learning for Electronic Design Automation: A Survey

Guyue Huang, Jingbo Hu+14 more|arXiv (Cornell University)|Jan 10, 2021

VLSI and FPGA Design TechniquesEngineering参考文献 167被引用数 18

ひとこと要約

本サーベイは、電子設計自動化（EDA）における機械学習（ML）の応用を包括的にレビューし、EDAフローの段階ごとに研究を整理している。MLが意思決定や性能予測、ブラックボックス最適化、エンドツーエンドのAI駆動設計へと設計タスクの自動化に果たす役割を強調しており、スケーラビリティと効率性の面で従来手法を顕著に上回る改善を示している。

ABSTRACT

With the down-scaling of CMOS technology, the design complexity of very large-scale integrated (VLSI) is increasing. Although the application of machine learning (ML) techniques in electronic design automation (EDA) can trace its history back to the 90s, the recent breakthrough of ML and the increasing complexity of EDA tasks have aroused more interests in incorporating ML to solve EDA tasks. In this paper, we present a comprehensive review of existing ML for EDA studies, organized following the EDA hierarchy.

研究の動機と目的

• 過去5年間における電子設計自動化（EDA）における機械学習（ML）の最近の進展を体系的にレビューすること。
• 高レベル合成、論理合成、物理設計、検証などの設計フロー階層に沿って、EDAにおけるML応用を分類すること。
• ML手法の進化を分析すること。初期のヒューリスティックな意思決定支援から、エンドツーエンドの強化学習に基づく自動化へと。
• 産業的EDA応用において、データ効率性、ドメイン適応、モデルの信頼性といった主な課題を特定すること。
• より高い信頼性と自動化を実現するため、MLをEDAツールに深く統合するための今後の研究方向性を提示すること。

提案手法

• EDAフローの段階ごとに既存のML-EDA研究を整理：高レベル合成、論理合成・物理設計、マスク合成、アナログ設計、テスト／検証、SATソルブィング。
• ML応用を4つのタイプに分類：従来EDAにおける意思決定支援、性能予測、ブラックボックス最適化、エンドツーエンド学習を用いた自動設計。
• 特徴工学技術をレビュー。画像ベース、幾何学的、グラフベース、手作業で設計された特徴を含み、正規化や次元削減などの前処理手順も含む。
• ドメイン適応戦略を検討。クロスプラットフォームでの性能推定や、新しい設計ドメイン向けに事前学習済み強化学習エージェントのファインチューニング。
• データ効率性技術を議論。シミュレーションや合成ラベルに依存するのを減らすために、半教師あり学習やアクティブラーニングを活用。
• EDA文脈における新興のMLモデル、例えばグラフニューラルネットワーク（GNNs）、ポイントクラウド表現、トランスフォーマー基盤アーキテクチャの評価。

実験結果

リサーチクエスチョン

• RQ1 機械学習は、高レベル合成から物理設計および検証に至るEDA設計フローの各段階に、どのように統合されているか？
• RQ2 EDAで使用される主要なMLパラダイム（教師あり学習、強化学習、転移学習など）は何か。それらは自動化レベルと性能においてどのように異なるか？
• RQ3 MLモデルは、従来のヒューリスティックベースのEDAツールと比較して、設計品質の向上と実行時間の短縮にどの程度寄与できるか？
• RQ4 産業的EDAへのMLの導入に残された主な課題は何か。特に、データ効率性、モデル一般化、信頼性の面で。
• RQ5 転移学習やドメイン適応技術は、異なる設計プラットフォームや技術ノード間でMLモデルの再トレーニングの必要性をどの程度軽減できるか？

主な発見

• MLベースの手法は、設計空間探索、配置、配線の分野で顕著な改善を示しており、実行時間の短縮とワイヤレングス・タイミング指標の向上を実現している。
• 歴史的設計データに基づいて学習された性能予測モデルは、合成のオーバーヘッドを最小限に抑えつつ設計品質を正確に推定でき、より迅速な設計反復を可能にしている。
• 強化学習やブラックボックス最適化フレームワークにより、配置や配線といった複雑なEDAタスクのエンドツーエンド自動化が実現され、従来ツールと同等またはそれ以上の結果が得られている。
• 事前学習済みRLエージェントの転移学習とファインチューニングにより、新しい設計ドメインへの迅速な適応が可能となり、再トレーニングコストが大幅に削減されている。
• 進展は見られても、純粋にML駆動のEDAツールは依然として産業的信頼性と正確性の要件を満たせておらず、ハイブリッドなML-従来手法の統合が求められている。
• MLモデルの信頼性、公平性、解釈可能性は、産業的採用の主要な障壁であり、EDA向けに説明可能で信頼性の高いAIの研究が今後さらに不可欠である。