
《科学中国信息科学》杂志发表的一篇论文全面调研了从算法角度来看具有机器学习算法的芯片设计的现有工作。为了达到该目标,作者从不同阶段的芯片设计问题提出了一种新颖而系统的分类法。该分类法旨在指导选择和设计适用于目标问题的机器学习算法,考虑到现有的挑战,并为研究人员提供芯片设计与机器学习算法的全面总结。
作者将芯片设计中的目标问题分为三类:设计结果估计、设计优化和修正,以及设计构建。这些问题在逻辑设计、电路设计、物理设计的不同阶段中常常遇到,并且在每个阶段的验证和测试中也是如此。
具体而言,设计结果评估涵盖了预测或估计设计质量的问题,比如逻辑设计中的性能估计、物理设计中的IR drop估计,以及逻辑设计和物理设计中的静态时序分析(STA)。设计优化和纠正指的是分别优化设计质量和纠正设计错误的问题,如逻辑设计中的HLS设计空间探索(DSE),电路设计中的逻辑优化,以及物理设计中的详细布线。
设计施工涵盖了产生设计表示或添加设计对象(如电路设计中的物理映射和物理设计中的全局放置)的问题。
为解决这些与机器学习算法相关的目标问题,作者将目标问题分为三个类别,分别对应于机器学习中的三个问题:回归、搜索和生成。
这些机器学习问题都可以通过多种机器学习算法来解决。具体来说,设计结果预测问题被构建成回归问题,并可以使用多种机器学习算法来解决,其中包括高斯过程(GP)、多元自适应回归样条(MARS)、决策树(DT)和随机森林(RF)、神经网络(NNs)以及集成学习(EL)。
设计优化和校正问题被构建为搜索问题,可以使用各种机器学习算法来解决,包括决策树和随机森林,神经网络和强化学习。最后,设计构建问题被构建为生成问题,可以使用各种机器学习算法来解决,包括贝叶斯优化,神经网络和强化学习。
基于分类法,作者们通过以下步骤全面调查了与目标问题相关的现有作品。他们的方法结构如下:首先,他们为每个目标问题提出了一个定义,并分析了应用机器学习算法解决这些目标问题的内在原因。
其次,他们针对目标问题从机器学习算法的角度进行了全面调查。他们为每个目标问题引入了基于机器学习的具体作品,并解释了如何在传统算法的基础上改进原有芯片设计工具。
最后,他们总结了现有研究中尚未解决的三个关键挑战,并为未来在利用机器学习算法进行芯片设计研究提供了一些深刻的见解,其中包括单阶段端到端生成、跨阶段端到端生成、整个流程端到端生成、可行性改进等等。作者希望这能够推动利用机器学习进行芯片设计的研究。
通过建立芯片设计问题与相应机器学习解决方案之间的明确联系,本调查旨在从先前的芯片设计自动化中阐明通往芯片设计智能的道路。









