[论文解读] Gamora: Graph Learning based Symbolic Reasoning for Large-Scale Boolean Networks

Nan Wu, Yingjie Li+4 more|arXiv (Cornell University)|Mar 14, 2023

Machine Learning in Materials ScienceMaterials Science被引用 3

一句话总结

Gamora 提出了一种基于图神经网络（GNN）的符号推理框架，通过多任务学习同时实现门级网表的结构哈希与功能传播，实现了在大规模布尔网络上接近 100% 的准确率，相较于最先进的工具 ABC 实现了高达六数量级的速度提升，同时通过 GPU 加速在复杂工艺映射下保持强泛化能力，并支持十亿节点规模的可扩展性。

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.

研究动机与目标

• 为解决传统符号推理方法在大规模布尔网络（BNs）中因依赖结构哈希与功能传播而带来的可扩展性差和并行性有限的问题。
• 克服现有工具如 ABC 在十亿节点设计中面临高运行时和高内存消耗的局限性。
• 实现从简单设计到复杂设计（包括结构不规则的工艺映射后网表）的符号推理泛化能力。
• 利用现代 GPU 加速与图学习技术，实现电子设计自动化（EDA）中高性能、可扩展且可并行化的符号推理。
• 在复杂工艺映射导致功能与结构模式被掩盖的情况下，展示鲁棒的推理准确率。

提出的方法

• Gamora 采用多任务 GNN 架构，通过融合编码布尔函数与拓扑结构的节点特征，联合优化结构相似性与功能等价性。
• 利用消息传递机制同时模拟符号传播（功能聚合）与结构哈希，模仿传统推理过程但具备更高的可扩展性。
• 通过领域特定技术对节点特征进行压缩，降低计算成本与内存占用，从而高效处理十亿节点的布尔网络。
• 该框架支持单张 GPU 上的批量推理，利用并行计算与 GPU 加速，实现对大规模设计的高吞吐量处理。
• 将工艺库属性集成到节点与边特征中，以提升在复杂工艺映射下的推理鲁棒性。
• 模型在多种乘法器设计（如 CSA、Booth 编码）上进行训练，并可泛化至更大位宽与工艺映射后的网表，无需微调或重新训练。

实验结果

研究问题

• RQ1 基于 GNN 的框架是否能在十亿节点规模的大规模布尔网络上实现高精度符号推理？
• RQ2 在复杂工艺映射后，导致结构不规则与功能复杂性增加的情况下，所提出的多任务 GNN 在功能模块推理中的表现如何？
• RQ3 该模型从简单设计（如小位宽乘法器）泛化到复杂大规模设计（如 2048 位乘法器）的能力有多大？
• RQ4 Gamora 相较于传统符号推理工具（如 ABC）在大规模布尔网络上具有怎样的运行时与可扩展性优势？
• RQ5 在节点特征中引入工艺库属性对复杂工艺映射下推理性能的影响如何？

主要发现

• Gamora 在 2048 位进位保存阵列（CSA）乘法器上实现接近 100% 的推理准确率，在 Booth 编码乘法器上实现超过 97% 的准确率，显著优于传统方法在准确率与速度上的表现。
• 在节点数达 3400 万个、边数达 6700 万条的大规模布尔网络上，Gamora 相较于最先进的 ABC 框架实现了高达六数量级的速度提升。
• 即使在复杂的 ASAP 7nm 工艺映射后，Gamora 在识别功能模块方面仍保持超过 92% 的预测准确率，展现出对工艺相关变换的强鲁棒性。
• 该模型无需重新训练即可从低比特宽乘法器有效泛化至高比特宽乘法器，尽管在复杂工艺映射后准确率略有下降，但通过使用更大规模的训练集可有效缓解。
• 在单张 GPU 上进行批量推理展现出良好的可扩展性，吞吐量持续提升，延迟降低，表明未来具备良好的多 GPU 部署潜力。
• 将工艺库属性集成到节点与边特征中，显著提升了在工艺映射后网表上的推理性能，尤其在包含多输出单元与不规则结构的复杂映射中表现更优。