Impacto da otimização lógica baseada em programação genética cartesiana na síntese de circuitos aproximados

Abstract

Circuitos integrados permitiram a evolução tecnológica chegando aos dias atuais, onde a sociedade depende de dispositivos, aparelhos e veículos compostos por uma série de circuitos integrados. A variedade de funcionalidades a serem projetadas em circuitos integrados é enorme, tornando o projeto de circuitos integrados desafiador. Um dos principais modos de projeto de circuitos integrados é utilizando um fluxo de projeto baseado em biblioteca de células. Dada as complexidades de projeto, este fluxo é dividido em vários passos dentro de duas etapas principais: a síntese lógica e a síntese física. Esta definição tradicional permite que ferramentas específicas para cada etapa sejam desenvolvidas, explorando diferentes algoritmos e estruturas de dados. Dentro da síntese lógica, a otimização lógica é uma etapa inicial e crucial. Os efeitos dessa etapa impactam diretamente as métricas finais de área, potência e atraso observados após todas as etapas seguintes da síntese. Os avanços significativos em Aprendizado de Máquina (ML) motivam o seu uso na síntese lógica de circuitos combinacionais. Técnicas de ML são particularmente adequadas para síntese e otimização lógica aproximada em cenários de projeto de circuitos integrados para aplicações tolerância a erros, principalmente visando eficiência energética. Recentemente, a utilização de Programação Genética Cartesiana (CGP) foi explorada em uma ferramenta para síntese lógica tradicional e voltada para otimização energética, síntese de funções incompletas e aprendizado de lógica. Esta ferramenta foi avaliada e comparada com outros trabalhos relacionados quanto as métricas tradicionais de síntese lógica de profundidade lógica e número de nodos, e também de acurácia nos casos de aproximação e aprendizado. Entretanto, o impacto destas ferramentas nas próximas etapas de síntese não foi avaliado. Neste sentido, este trabalho investiga o impacto nas métricas de área, delay e potência da exploração do uso de técnicas de aprendizado de máquina no aprendizado lógico e na otimização lógica para aprimorar a eficiência energética na síntese de circuitos aproximados.Esta iniciativa é realizado com ferramentas de código aberto, promovendo a acessibilidade e a colaboração na área de Design Eletrônico Automatizado (EDA). Neste trabalho são consideradas três abordagens de otimização lógica aproximada estado-da-arte com base em mixed-ML, Árvores de Decisão e Programação Genética Cartesiana. Para mostrar a eficácia de cada uma dessas abordagens, este trabalho apresenta uma análise comparativa dos resultados de síntese física para um conjunto de circuitos aproximados ao adotar um fluxo de síntese aberto e uma biblioteca de células de tecnologia de 45 nm. Das técnicas avaliadas, a otimização lógica baseada em CGP mostra uma redução de mais de 50% em média de área, potência e atraso em comparação com a abordagem de mixed-ML. No entanto, essa melhoria foi acompanhada por uma perda média de acurácia de cerca de 5%. Esses resultados destacam o potencial substancial da abordagem CGP na otimização de circuitos aproximados.