[论文解读] 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 18

一句话总结

本综述系统性地回顾了过去五年中机器学习（ML）在电子设计自动化（EDA）中的应用，按 EDA 流程的各个阶段组织研究工作。它突出了 ML 在自动化设计任务中的作用——从决策支持、性能预测到黑箱优化以及端到端的 AI 驱动设计，展示了其在可扩展性和效率方面相较于传统方法的显著提升。

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.

研究动机与目标

• 系统性回顾过去五年中机器学习在电子设计自动化（EDA）领域的最新进展。
• 根据设计流程的层级结构对 EDA 中的机器学习应用进行分类，包括高层次综合、逻辑综合、物理设计和验证。
• 分析机器学习技术在 EDA 中的演变过程，从基于启发式的决策支持发展到端到端的强化学习自动化。
• 识别工业 EDA 应用中面临的关键挑战，如数据效率、领域自适应性以及模型可信度。
• 提出未来研究方向，以实现更深层次地将机器学习集成到 EDA 工具中，提升其可靠性与自动化水平。

提出的方法

• 按 EDA 流程中的各个阶段组织现有 ML-EDA 研究：高层次综合、逻辑综合与物理设计、掩模综合、模拟设计、测试/验证以及 SAT 求解。
• 将机器学习应用分为四类：传统 EDA 中的决策支持、性能预测、黑箱优化，以及基于端到端学习的自动化设计。
• 回顾特征工程技术，包括基于图像的、基于几何的、基于图的以及人工设计的特征，并介绍预处理步骤如归一化和降维。
• 考察领域自适应策略，如跨平台性能估计以及对预训练强化学习智能体进行微调以适应新设计领域。
• 讨论数据效率技术，包括半监督学习和主动学习，以减少对昂贵的仿真或综合标签的依赖。
• 评估新兴机器学习模型在 EDA 环境中的应用，如图神经网络（GNNs）、点云表示以及基于 Transformer 的架构。

实验结果

研究问题

• RQ1 机器学习在 EDA 设计流程的不同阶段（从高层次综合到物理设计和验证）中是如何集成的？
• RQ2 EDA 中使用的关键机器学习范式（如监督学习、强化学习和迁移学习）有哪些？它们在自动化水平和性能方面有何差异？
• RQ3 与基于启发式的传统 EDA 工具相比，ML 模型在多大程度上能够提升设计质量并缩短运行时间？
• RQ4 在工业 EDA 中部署 ML 时仍面临哪些挑战，特别是数据效率、模型泛化能力以及可信度方面？
• RQ5 迁移学习和领域自适应技术如何减少在不同设计平台或技术节点之间重新训练 ML 模型的需求？

主要发现

• 基于 ML 的方法在设计空间探索、布局和布线方面表现出显著改进，有效降低了运行时间，并优化了线长和时序指标。
• 基于历史设计数据训练的性能预测模型能够以极低的综合开销准确估计设计质量，从而实现更快的设计迭代。
• 强化学习与黑箱优化框架已实现复杂 EDA 任务（如布局与布线）的端到端自动化，其结果与传统工具相比具有竞争力甚至更优。
• 通过迁移学习和对预训练 RL 智能体进行微调，可实现对新设计领域的快速适应，显著减少再训练需求，降低部署成本。
• 尽管已取得进展，纯 ML 驱动的 EDA 工具仍难以满足工业界对可靠性和精度的要求，凸显了混合 ML-传统方法的必要性。
• ML 模型的可信度、公平性与可解释性仍是工业应用的主要障碍，亟需在可解释性和可靠 AI 方面开展进一步研究以支持 EDA 领域。