[论文解读] 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 5

一句话总结

本文提出一种基于高斯过程回归的贝叶斯优化框架，用于自动化并加速EDA工具参数调优中的设计空间探索。实验表明，该方法在面积、延迟和功耗方面均显著优于基线结果，同时大幅减少了人工调优工作量，尤其在具有加权目标和获取函数选择的多目标优化中表现优异。

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.

研究动机与目标

• 减少在高性能电路综合中EDA工具参数配置的调优工作量。
• 应对先进工艺节点下昂贵且高维的设计空间探索挑战。
• 评估基于高斯过程回归的贝叶斯优化在多目标EDA优化中的有效性。
• 将贝叶斯优化与传统元启发式方法（如遗传算法）在EDA设计空间探索中的表现进行对比。
• 研究获取函数和缩放策略对多目标优化性能的影响。

提出的方法

• 该框架采用贝叶斯优化结合高斯过程回归作为代理模型，以预测不同参数配置下EDA工具的性能表现。
• 通过使用如改进概率（POI）等获取函数，指导设计空间中下一次评估点的选择。
• 该方法将综合工具集成到自动化流水线中，迭代评估并优化EDA参数设置。
• 在多目标优化中，通过加权和方式对性能指标（面积、延迟、功耗）进行标量化，以实现单目标优化。
• 采用缩放策略对具有不同单位的指标进行归一化处理，防止大数值指标主导优化结果。
• 该方法在使用工业级CAD脚本和真实综合流程的64位前缀进位加法器设计上进行了评估。

实验结果

研究问题

• RQ1 贝叶斯优化能否有效且高效地探索EDA工具参数的高维、高成本评估设计空间？
• RQ2 不同获取函数（如POI）对EDA参数调优中优化的收敛性和质量有何影响？
• RQ3 在EDA设计空间探索中，贝叶斯优化相比传统元启发式方法（如遗传算法）的性能增益如何？
• RQ4 多目标指标的缩放策略如何影响最终的优化结果？
• RQ5 该框架能否在PPA（功耗、性能、面积）权衡上优于基线工业配置？

主要发现

• 在30次迭代内，贝叶斯优化在面积、延迟和功耗三项指标上均超越了基线工业CAD配置。
• 实验表明，POI获取函数在所有测试中均持续优于其他获取函数。
• 该贝叶斯优化框架在面积上达到基线性能的98.7%，功耗为96.7%，延迟为98.9%，表明其具有出色的效率与有效性。
• 与遗传算法相比，贝叶斯优化收敛更快且轨迹更稳定，最终的面积和延迟值更低。
• 对较大指标值（如面积）进行缩放降低，对较小指标值（如延迟）进行缩放提升，相比其他缩放策略能获得更优的优化结果。
• 该方法在减少人工调优和提升设计质量方面，展现出显著潜力，可显著加速先进工艺节点下的EDA流程。