[논문 리뷰] Gamora: Graph Learning based Symbolic Reasoning for Large-Scale Boolean Networks

Nan Wu, Yingjie Li외 4명|arXiv (Cornell University)|2023. 03. 14.

Machine Learning in Materials ScienceMaterials Science인용 수 3

한 줄 요약

Gamora는 게이트 수준의 넷리스트에서 동시에 구조적 해싱과 기능적 전파를 수행하기 위해 다중 작업 학습을 활용하는 그래프 신경망(GNN) 기반의 기호적 추론 프레임워크를 제안한다. 이는 최대 6개 지수의 속도 향상으로 상태 기준 도구인 ABC에 비해 거의 100%의 정확도를 달성하며, GPU 가속을 통해 빌리언 노드 규모의 확장성과 복잡한 기술 매핑에 대한 강력한 일반화 능력을 유지한다.

ABSTRACT

Reasoning high-level abstractions from bit-blasted Boolean networks (BNs) such as gate-level netlists can significantly benefit functional verification, logic minimization, datapath synthesis, malicious logic identification, etc. Mostly, conventional reasoning approaches leverage structural hashing and functional propagation, suffering from limited scalability and inefficient usage of modern computing power. In response, we propose a novel symbolic reasoning framework exploiting graph neural networks (GNNs) and GPU acceleration to reason high-level functional blocks from gate-level netlists, namely Gamora, which offers high reasoning performance w.r.t exact reasoning algorithms, strong scalability to BNs with over 33 million nodes, and generalization capability from simple to complex designs. To further demonstrate the capability of Gamora, we also evaluate its reasoning performance after various technology mapping options, since technology-dependent optimizations are known to make functional reasoning much more challenging. Experimental results show that (1) Gamora reaches almost 100% and over 97% reasoning accuracy for carry-save-array (CSA) and Booth-encoded multipliers, respectively, with up to six orders of magnitude speedups compared to the state-of-the-art implementation in the ABC framework; (2) Gamora maintains high reasoning accuracy (>92%) in finding functional modules after complex technology mapping, upon which we comprehensively analyze the impacts on Gamora reasoning from technology mapping.

연구 동기 및 목표

• 대규모 부울 네트워크(BN)에서 전통적인 기호적 추론 방법의 확장성과 비효율성 문제를 해결하기 위해, 제한된 병렬 처리를 갖는 구조적 해싱과 기능적 전파에 의존하는 방법을 다루는 것.
• ABC와 같은 기존 도구의 한계를 극복하기 위해, 빌리언 노드 설계에서 높은 런타임과 메모리 소비를 겪는 문제를 해결하는 것.
• 간단한 설계에서 복잡한 설계, 특히 비정규적인 구조를 가진 기술 매핑 후 넷리스트까지 기호적 추론의 일반화를 가능하게 하는 것.
• 현대 GPU 가속과 그래프 학습을 활용하여 전자 설계 자동화(EDA) 분야에서 고성능, 확장성 있고 병렬 처리 가능한 기호적 추론을 달성하는 것.
• 기능적 및 구조적 패턴을 은폐하는 복잡한 기술 매핑 환경에서도 강건한 추론 정확도를 확보하는 것.

제안 방법

• Gamora는 부울 함수와 토폴로지 정보를 코딩한 노드 특징을 융합하여, 구조적 유사성과 기능적 동치성을 동시에 최적화하는 다중 작업 GNN 아키텍처를 사용한다.
• 메시지 전달 메커니즘을 활용해 기존의 추론 방식을 모방하면서도, 기능 집합(기능적 집약)과 구조적 해싱을 동시에 구현함으로써 확장성을 향상시킨다.
• 도메인 특화 기법을 사용해 노드 특징을 압축하여 계산 비용과 메모리 사용량을 감소시켜, 빌리언 노드 BN을 효율적으로 처리할 수 있도록 한다.
• 단일 GPU에서 배치 기반 추론을 지원하며, 병렬 처리와 GPU 가속을 활용해 고처리량으로 대규모 설계에 스케일링할 수 있도록 한다.
• 기술 라이브러리 속성을 노드 및 엣지 특징에 통합하여, 복잡한 기술 매핑 상황에서도 추론의 강건성을 향상시킨다.
• 모델은 다양한 승수 설계(예: CSA, 보우드 인코딩)에서 훈련되었으며, 재학습이나 피팅 없이도 더 큰 비트폭과 매핑 후 넷리스트로 일반화된다.

실험 결과

연구 질문

• RQ1 GNN 기반 프레임워크는 빌리언 노드 규모의 대규모 부울 네트워크에서 고정확도 기호적 추론을 달성할 수 있는가?
• RQ2 복잡한 기술 매핑으로 인해 구조적 비정규성과 기능적 복잡성이 증가한 후에도, 제안된 다중 작업 GNN의 기능 블록 추론 성능은 어떠한가?
• RQ3 작은 설계(예: 작은 비트폭 승수)에서 복잡하고 대규모 설계(예: 2048비트 승수)로의 일반화 능력은 어느 정도인가?
• RQ4 대규모 BN에서 전통적인 기호적 추론 도구인 ABC에 비해 Gamora의 런타임 및 확장성 우수성은 어떠한가?
• RQ5 노드 특징에 기술 라이브러리 속성을 통합할 경우, 고급 기술 매핑 상황에서 추론 성능에 어떤 영향을 미치는가?

주요 결과

• Gamora는 2048비트 캐리-세이프 어레이(CSA) 승수에서 거의 100%의 추론 정확도를 달성했으며, 보우드 인코딩 승수에서는 97% 이상의 정확도를 기록하여 기존 방법에 비해 정확도와 속도 면에서 뚜렷한 우월성을 보였다.
• 최대 3400만 개의 노드와 6700만 개의 엣지를 가진 대규모 BN에서 Gamora는 상태 기준 ABC 프레임워크 대비 최대 6개 지수의 속도 향상을 달성했다.
• 복잡한 ASAP 7nm 기술 매핑 이후에도 Gamora는 기능 모듈을 식별하는 데 92% 이상의 예측 정확도를 유지하여, 기술 기반 변환에 대한 강력한 강건성을 입증했다.
• 재학습 없이도 작은 비트폭 승수에서 큰 비트폭 승수로의 일반화가 효과적으로 이루어지며, 복잡한 기술 매핑 후 정확도가 약간 감소하지만, 더 큰 훈련 세트를 사용함으로써 이 문제를 완화할 수 있었다.
• 단일 GPU에서의 배치 기반 추론은 높은 스케일링 잠재력을 보이며, 처리량 증가와 지연 감소를 보여, 향후 다중 GPU 배포에 매우 유망한 전망을 보였다.
• 노드 및 엣지 특징에 기술 라이브러리 속성을 통합함으로써, 특히 다중 출력 셀과 비정규적인 구조를 가진 복잡한 매핑 상황에서의 추론 성능 향상이 뚜렷하게 향상되었다.