[논문 리뷰] A Circuit Domain Generalization Framework for Efficient Logic Synthesis in Chip Design

Zhihai Wang, Lei Chen외 8명|arXiv (Cornell University)|2023. 08. 22.

VLSI and FPGA Design TechniquesEngineering인용 수 3

한 줄 요약

이 논문은 Resub 및 Mfs2 연산자에서 비효율적인 노드 수준 변환을 예측하고 제거함으로써 논리 합성의 속도를 향상시키는 데이터 기반 회로 도메인 일반화 프레임워크인 PruneX를 제안한다. 변환에 불변인 도메인 지식을 통해 도메인 불변 표현을 학습함으로써 PruneX는 산업용 및 대규모 회로에서 최적화 품질을 유지하면서도 런타임을 최대 3.1배까지 감소시킨다.

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.

연구 동기 및 목표

• Resub 및 Mfs2와 같은 논리 합성(LS) 연산자에서 비효율적 변환이 차지하는 비율이 높아 런타임에 큰 영향을 미치는 문제를 해결한다.
• 다양한 회로 구조에서 일반화에 실패하는 외부 분포(OOD) 일반화 문제를 해결한다.
• 변환에 불변인 표현을 학습함으로써 다양한 회로에 대해 일반화 능력을 향상시키는 새로운 도메인 일반화 프레임워크를 개발한다.
• 제안된 프레임워크를 기존 LS 연산자에 통합하여 최적화 품질을 훼손하지 않으면서도 효율성을 향상시킨다.
• 대규모 회로에서 불필요한 변환을 최소화함으로써 시장 진입 시간(TTM)을 단축하고 최고의 최적화 결과(QoR)를 향상시킨다.

제안 방법

• 기능, 구조 및 연결성 정보(예: 팬아웃, 레벨, 컷, 리프)를 기반으로 이분 그래프 표현을 사용해 노드 수준의 특징을 구성한다.
• 노드가 변환에 효과적인지 또는 비효율적인지 분류하기 위해 다중 헤드 어텐션을 사용한 연산자 전용 그래프 신경망(GCNNs)을 훈련한다.
• 다양한 스케일을 가진 회로 간의 훈련 안정성과 일반화 성능 향상을 위해 입력 특징에 Min-Max 정규화를 적용한다.
• 세 개의 완전 연결 층(각각 1024개 유닛)을 가지며 시그모이드 활성화 함수를 사용하는 다중 헤드 신경망을 통해 변환 효과성 확률을 출력한다.
• 예측된 효과성 점수에 따라 노드를 정렬하고, 예측된 효과성이 높은 상위 k%의 노드에만 변환을 적용함으로써 계산 비용을 감소시킨다.
• 검증 데이터에서 가장 높은 성능를 보이는 모델을 선택하기 위해 여러 훈련 체크포인트에서의 모델 선택을 활용하여 안정성을 향상시킨다.

실험 결과

연구 질문

• RQ1 데이터 기반 프레임워크는 Resub 및 Mfs2와 같은 논리 합성 연산자에서 비효율적 노드 수준 변환을 효과적으로 식별하고 제거할 수 있는가?
• RQ2 일부 회로 세트에서 훈련된 모델은 논리 합성에서 예측되지 않은 외부 분포(OOD) 회로로 일반화할 수 있는가?
• RQ3 도메인 일반화 기법은 최적화 품질을 떨어뜨리지 않으면서 논리 합성의 효율성을 어느 정도 향상시킬 수 있는가?
• RQ4 비효율적 변환을 제거하는 것이 대규모 산업용 회로에서 런타임과 최고의 최적화 결과(QoR)에 어떤 영향을 미치는가?
• RQ5 제안된 프레임워크는 동일한 노드 수준 변환 패러다임을 따르는 다른 LS 연산자인 Rewrite 및 Refactor 등으로 일반화될 수 있는가?

주요 결과

• PruneX는 산업용 및 매우 대규모 회로에서 Resub 및 Mfs2 연산자의 런타임을 최대 3.1배까지 감소시키며, 최적화 품질은 유사한 수준을 유지한다.
• Resub 및 Mfs2 연산자는 총 논리 합성 런타임의 약 79%를 차지하여 주요 성능 저하 요인이다.
• 진짜로 효과적인 노드에만 변환을 적용하는 것이 기본 Mfs2 연산자와 동일한 최적화 성능를 달성함으로써, 제거 전략의 효과성을 검증한다.
• 순차적 변환 중에 예측된 노드 ID와 진짜 노드 ID 사이의 미세한 이동은 효과적인 노드의 희소성 덕분에 최적화 결과에 거의 영향을 주지 않는다.
• 제안된 도메인 일반화 프레임워크는 다양한 회로 분포 간의 일반화를 가능하게 하여, 논리 합성에서 OOD 일반화 문제를 처음으로 해결한다.
• 이 방법은 연산자에 종속되지 않으며, 동일한 노드 수준 변환 패러다임을 따르는 다른 LS 연산자인 Rewrite 및 Refactor 등으로도 확장 가능하다.