EDA（Electronic Design Automation）电子设计自动化软件作为集成电路设计的基石，是芯片设计的必需品。其百亿美元的市场支撑了年产值数十万亿的数字经济。随着AI技术的发展与渗透，当前各大EDA厂商都在积极布局AI技术，通过AI技术与领域技术结合，以实现更大规模参数优化和更精确芯片建模，攻克EDA设计难题。
逻辑综合通过逻辑函数优化、电路结构调整将硬件描述语言转化为门级网表，可类比下图中，软件编译器将C++、python等高级程序语言编译为底层汇编语言。其中涉及到的多个环节（Logic Optimization、Mapping、PostMapping等）都是NP-hard问题。逻辑综合是EDA芯片设计流程中连接前端和后端，起到承上启下作用的关键环节，极大影响芯片性能（面积、时延、功耗）。
国际知名的EPFL逻辑综合榜单，用于对比业界及学术界最优的组合电路综合、优化算法，吸引了华为、新思科技（Synopsys）、瑞士洛桑联邦理工学院（EPFL）、加州大学伯克利分校（UC Berkeley）、康奈尔大学（Cornell University）、复旦大学等知名EDA厂商和大学参与。该榜单共有20个电路，可分为2大类电路类型（算术、控制），算术、控制各有10个电路。榜单上分别记录了上述20个电路（基于FPGA LUT-6）的层级最优和面积最优实现，共计40个电路实现。
2021年，华为诺亚方舟实验室AI4EDA团队的启发式、迭代式逻辑综合序列调优方案HIMap刷新了16个EPFL逻辑综合榜单上的记录，排名最前列。2022年，华为诺亚AI4EDA团队在此基础上，依托华为诺亚自研黑盒优化平台HEBO，提出了融合领域知识的黑盒优化技术NAILS，通过调优逻辑综合算子序列与参数，刷新了24个电路的最优电路实现，排名最前列。华为诺亚AI4EDA团队连续两年在榜单上排名最前列，且最优电路实现的数量远多于新思科技、加州大学伯克利分校、EPFL、康奈尔大学、复旦大学等知名EDA公司和大学。
华为诺亚AI4EDA团队的AI方案NAILS在算术电路的面积和层级上优化效果明显，改进了7/10的面积优先和9/10的层级优先电路。控制电路规模相比算术电路较小，普遍认为这些电路已经被优化到极限。NAILS打破了这一认知，改进了控制电路3/10的面积优先和5/10的层级优先电路。方案NAILS在部分电路上优化效果明显。
- 1.面积优先榜单. 在adder电路上，NAILS降低了LUT-6面积29.8%（191 -> 134）；在divisor电路上，NAILS同时降低了面积和层级4.4% (3248 -> 3104) 和8.3% (1194 -> 1095)。
- 2.层级优先榜单. 在divisor电路上，NAILS同时降低了面积和层级16.8% (29369 -> 24426) 和9.1% (197 -> 179)。
此外HIMap在1个控制电路的面积上仍保持最优。最终，华为诺亚AI4EDA团队总计在EPFL逻辑综合榜单的40个算术/控制电路项目中刷新了25个最优记录。NAILS也打开了全新的基于AI的逻辑综合序列与参数调优和芯片设计自动化思路。
参考链接：
2022年EPFL逻辑榜单最优方案与综合效果：https://github.com/lsils/benchmarks/tree/v2022.1/best\_results
2021年EPFL逻辑榜单最优方案与综合效果：https://github.com/lsils/benchmarks/tree/v2021.1/best\_results
华为诺亚自研黑盒优化平台HEBO:
https://github.com/huawei-noah/HEBO
【免责声明】
华为在本公众号所载的材料和信息，包括但不限于文本、图片、数据、观点、建议、网页或链接，虽然华为力图在网站平台上提供准确的材料和信息，但华为并不保证这些材料和内容的准确、完整、充分和可靠性，并且明确声明不对这些材料和内容的错误或遗漏承担责任，也不对这些材料和内容作出任何明示或默示的、包括但不限于有关所有权担保、没有侵犯第三方权利、质量和没有计算机病毒的保证。
华为可以在没有任何通知或提示的情况下随时对网站上的内容进行修改，为了得到最新版本的信息，请您定时访问本网站。华为（含其关联公司）在本网站上所提及的非华为产品或服务仅仅是为了提供相关信息，并不构成对这些产品、服务的认可或推荐。华为并不就网址上提供的任何产品、服务或信息做出任何声明、保证或认可，所有销售的产品和服务应受华为的销售合同和条款的约束。
— 完 —
作者：诺亚方舟实验室
文章来源：诺亚实验室
推荐阅读
【盘古Coder】：高性能函数级程序语言生成模型
三角迁移：助推以中文为中心的机器翻译
TPAMI 2022综述 | 视觉Transformer系统性测评及未来方向探讨
更多嵌入式AI相关技术干货请关注深度学习压缩模型论文专栏。欢迎添加极术小姐姐微信（id:aijishu20)加入技术交流群，请备注研究方向。
