ترجمه فارسی مقاله اتصال کوتاه: طراحی مدار مبتنی بر AlphaZero

چکیده

Chip design relies heavily on generating Boolean circuits, such as AND-Inverter Graphs (AIGs), from functional descriptions like truth tables. While recent advances in deep learning have aimed to accelerate circuit design, these efforts have mostly focused on tasks other than synthesis, and traditional heuristic methods have plateaued. In this paper, we introduce ShortCircuit, a novel transformer-based architecture that leverages the structural properties of AIGs and performs efficient space exploration. Contrary to prior approaches attempting end-to-end generation of logic circuits using deep networks, ShortCircuit employs a two-phase process combining supervised with reinforcement learning to enhance generalization to unseen truth tables. We also propose an AlphaZero variant to handle the double exponentially large state space and the sparsity of the rewards, enabling the discovery of near-optimal designs. To evaluate the generative performance of our trained model , we extract 500 truth tables from a benchmark set of 20 real-world circuits. ShortCircuit successfully generates AIGs for 84.6% of the 8-input test truth tables, and outperforms the state-of-the-art logic synthesis tool, ABC, by 14.61% in terms of circuits size.

چکیده به فارسی (ترجمه ماشینی)

طراحی تراشه از توصیفات عملکردی مانند جداول حقیقت ، به تولید مدارهای بولی ، مانند نمودارهای و اینورتر (AIG) متکی است.در حالی که پیشرفت های اخیر در یادگیری عمیق با هدف تسریع در طراحی مدار ، این تلاش ها بیشتر روی وظایف دیگری غیر از سنتز متمرکز شده است و روش های اکتشافی سنتی نیز به وجود آمده است.در این مقاله ، ما BERNCIRCUIT ، یک معماری جدید مبتنی بر ترانسفورماتور را معرفی می کنیم که از خواص ساختاری AIG ها استفاده می کند و اکتشافی فضا را انجام می دهد.برخلاف رویکردهای قبلی برای تلاش برای تولید پایان به پایان مدارهای منطق با استفاده از شبکه های عمیق ، Circuit از یک فرآیند دو فاز استفاده می کند که ترکیبی از نظارت با یادگیری تقویت شده برای تقویت تعمیم در جداول حقیقت غیب است.ما همچنین یک نوع Alphazero را برای رسیدگی به فضای حالت مضاعف بزرگ و کمبود پاداش ها پیشنهاد می کنیم و این امکان را برای کشف طرح های تقریباً بهینه فراهم می کند.برای ارزیابی عملکرد تولیدی مدل آموزش دیده ما ، 500 جدول حقیقت را از مجموعه معیار 20 مدار در دنیای واقعی استخراج می کنیم.میانبر با موفقیت AIG را برای 84.6 ٪ از جداول حقیقت تست 8 ورودی تولید می کند و از نظر اندازه مدارها از نظر اندازه مدارها 14.61 ٪ از ابزار پیشرفته سنتز منطق ، ABC استفاده می کند.