CGP-based Logic Flow: Optimizing Accuracy and Size of Approximate Circuits

Berndt, Augusto; Abreu, Brunno; Campos, Isac S.; Lima, Bryan; Grellert, Mateus; Carvalho, Jônata Tyska; Meinhardt, Cristina

doi:10.29292/jics.v17i1.546

Cited by 4 publications

(4 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Previous work on CGP usually attempts to improve its main drawback: runtime [66]. In Berndt [13], a CGP solution is adopted to improve the accuracy and size of approximate circuits representing a logic function. The implementation has the potential of further improving solutions found by the other techniques, this way bootstrapping the evolutionary process.…”

Section: B Logic Learningmentioning

confidence: 99%

See 1 more Smart Citation

Review of Machine Learning in Logic Synthesis

Berndt

Fogaça

Meinhardt

2022

JICS

View full text Add to dashboard Cite

Electronic design automation tools have multiple options that need to be tuned for specific designs and technology nodes. Traditionally, the tuning process is done by teams of expert engineers and demands a large amount of computational resources.In recent years, there has been an increased effort to apply machine learning techniques in electronic design automation problems, attempting to increase the design flow correlation and predictability, hence reducing the time spent on tuning.In this work, we revise modern approaches in electronic design automation and machine learning techniques applied during logic synthesis. We categorize and discuss their core technologies, such as transforming data into images. Machine learning techniques are as good as the available data. Thus, we present existing learning datasets for logic synthesis and strategies such as data augmentation to overcome the lack of specific data for logic synthesis problems.To cope with these problems, we discuss how research is shifting from traditional supervised learning techniques to reinforcement learning-based methods.

show abstract

Section: B Logic Learningmentioning

confidence: 99%

“…Those concepts greatly motivate the exploratory usage of ML algorithms in EDA tools and techniques. The goal of ML in EDA algorithms is based on three concepts: prediction of verification metrics [8] [11], guiding conventional techniques [7] [12], and improving the design space exploration [13] [14].…”

Section: Introductionmentioning

confidence: 99%

Review of Machine Learning in Logic Synthesis

Berndt

Fogaça

Meinhardt

2022

JICS

View full text Add to dashboard Cite

show abstract

“…Um fluxo de otimização lógica baseado em CGP é apresentado em [2] e [3], com resultados promissores para boa parte das funções lógicas consideradas, quando levados em conta simultaneamente acurácia e tamanho dos circuitos gerados. Entretanto, restam situações em que a solução não produz circuitos com uma acurácia satisfatória.…”

Section: Introductionunclassified

“…Neste trabalho, aplicou-se uma estratégia de Curriculum Learning semelhante à utilizada em [4] a um fluxo de otimização lógica baseado em CGP inspirado em [2] e [3]. No presente resumo são apresentados resultados de experimentos preliminares que visam entender se tal abordagem pode ser efetiva para melhorar a acurácia dos circuitos em evolução.…”

Section: Introductionunclassified

Aprendizagem Curricular Aplicada à Programação Genética Cartesiana para Otimização Lógica de Circuitos Digitais

Sachetti

Lima

Berndt

et al. 2023

Anais Do XIV Computer on the Beach - COTB'23

View full text Add to dashboard Cite

RESUMOAtualmente, o número elevado de entradas em circuitos digitaistem se tornado um problema cada vez mais comum, demandandonovas soluções para a otimização lógica dos mesmos. Uma técnicaque vem sendo utilizada nos últimos anos é a de Logic Learning, quetem como base o uso de técnicas de Machine Learning (ML) paraa geração de circuitos aproximados a partir de descrições parciaisdas funções lógicas. Uma das técnicas de ML já utilizada em LogicLearning é a Programação Genética Cartesiana (CGP). Apesar defluxos de síntese lógica baseados em CGP já terem se mostradoefetivos, podem ter dificuldades em atingir uma evolucionabilidadesatisfatória dentro de uma restrição de tempo de execução e paracertas funções. Neste contexto, o presente trabalho busca investigara aplicação de uma técnica denominada aprendizagem curricular(Curriculum Learning) para melhorar a evolucionalidade, convergindopara uma melhor acurácia. Para avaliar de forma preliminara solução proposta foi utilizada uma porção dos benchmarks dacompetição de síntese lógica da conferência IWLS de 2020, atravésdos quais observou-se que, quando são priorizados exemplosde treinamento com dificuldade igualitariamente distribuída ouexemplos mais difíceis, a técnica de aprendizado curricular podetrazer benefícios para o processo evolutivo. Entre os resultados quecolaboram para esta hipótese estão ganhos de até 20% na acuráciados circuitos gerados (se considerada uma diferença absoluta) ebenchmarks que só apresentaram ganhos em acurácia. Ainda assim,demais resultados evidenciam a importância de uma avaliação maisdetalhada sobre a abordagem.

show abstract