丽贝卡·莫恩
9月 07， 2024 07：01
NVIDIA 利用生成式 AI 模型来优化电路设计，展示了效率和性能的显著改进。
近年来，从大型语言模型 （LLM） 到创意图像和视频生成工具，生成模型取得了长足的进步。据 NVIDIA 技术博客称，NVIDIA 现在正在将这些进步应用于电路设计，旨在提高效率和性能。
电路设计的复杂性
电路设计提出了一个具有挑战性的优化问题。设计人员必须平衡多个相互冲突的目标，例如功耗和面积，同时满足时序要求等约束。设计空间很大，而且是组合的，因此很难找到最佳解决方案。传统方法依靠手工制作的启发式和强化学习来驾驭这种复杂性，但这些方法是计算密集型的，并且通常缺乏通用性。
CircuitVAE 简介
在他们最近的论文 CircuitVAE：高效且可扩展的潜在电路优化 中，NVIDIA 展示了变分自动编码器 （VAE） 在电路设计中的潜力。VAE 是一类生成模型，可以生成更好的前缀加法器设计，而计算成本仅为以前方法所需计算成本的一小部分。CircuitVAE将计算图嵌入到连续空间中，并通过梯度下降优化了物理仿真的学习替代项。
CircuitVAE 的工作原理
CircuitVAE 算法涉及训练模型将电路嵌入到连续的潜在空间中，并从这些表示中预测质量指标，例如面积和延迟。这个成本预测器模型使用神经网络实例化，允许在潜在空间中进行梯度下降优化，从而规避了组合搜索的挑战。
训练和优化
CircuitVAE 的训练损失包括标准的 VAE 重建和正则化损失，以及真实面积和预测面积和延迟之间的均方误差。这种双重损失结构根据成本指标组织潜在空间，促进基于梯度的优化。优化过程包括使用成本加权采样选择潜在向量，并通过梯度下降对其进行优化，以最大限度地降低预测变量模型估计的成本。然后将最终向量解码为前缀树并合成以评估其实际成本。
结果和影响
NVIDIA 在具有 32 和 64 个输入的电路上测试了 CircuitVAE，使用开源 Nangate45 单元库进行物理合成。如图4所示，结果表明，CircuitVAE基于梯度的高效优化，与基线方法相比，CircuitVAE始终实现了更低的成本。在涉及专有单元库的实际任务中，CircuitVAE 的性能优于商业工具，展示了更好的面积和延迟帕累托前沿。
展望
CircuitVAE 通过将优化过程从离散空间转变为连续空间，展示了生成模型在电路设计中的变革潜力。这种方法显著降低了计算成本，并为其他硬件设计领域（如布局布线）带来了希望。随着生成模型的不断发展，它们有望在硬件设计中发挥越来越重要的作用。
有关 CircuitVAE 的更多信息，请访问 NVIDIA 技术博客。
图片来源： Shutterstock
