Logic synthesis tools face tough challenges when providing algorithms for synthesizing circuits with increased inputs and complexity. Machine learning techniques show high performance in solving specific problems, being an attractive option to improve electronic design tools. We explore Cartesian Genetic Programming (CGP) for logic optimization of exact or approximate Boolean functions in our work. The proposed CGP-based flow receives the expected circuit behavior as a truth-table and either performs the synthesis starting from random circuits or optimizes a circuit description provided in the format of an AND-Inverter Graph. The optimization flow improves solutions found by other techniques, using them for bootstrapping the evolutionary process. We use two metrics to evaluate our CGP-based flow: (i) the number of AIG nodes or (ii) the circuit accuracy. The results obtained showed that the CGP-based flow provided at least 22.6% superior results when considering the trade-off between accuracy and size compared with two other methods that brought the best accuracy and size outcomes, respectively.

No abstract

No abstract

RESUMOAtualmente, o número elevado de entradas em circuitos digitaistem se tornado um problema cada vez mais comum, demandandonovas soluções para a otimização lógica dos mesmos. Uma técnicaque vem sendo utilizada nos últimos anos é a de Logic Learning, quetem como base o uso de técnicas de Machine Learning (ML) paraa geração de circuitos aproximados a partir de descrições parciaisdas funções lógicas. Uma das técnicas de ML já utilizada em LogicLearning é a Programação Genética Cartesiana (CGP). Apesar defluxos de síntese lógica baseados em CGP já terem se mostradoefetivos, podem ter dificuldades em atingir uma evolucionabilidadesatisfatória dentro de uma restrição de tempo de execução e paracertas funções. Neste contexto, o presente trabalho busca investigara aplicação de uma técnica denominada aprendizagem curricular(Curriculum Learning) para melhorar a evolucionalidade, convergindopara uma melhor acurácia. Para avaliar de forma preliminara solução proposta foi utilizada uma porção dos benchmarks dacompetição de síntese lógica da conferência IWLS de 2020, atravésdos quais observou-se que, quando são priorizados exemplosde treinamento com dificuldade igualitariamente distribuída ouexemplos mais difíceis, a técnica de aprendizado curricular podetrazer benefícios para o processo evolutivo. Entre os resultados quecolaboram para esta hipótese estão ganhos de até 20% na acuráciados circuitos gerados (se considerada uma diferença absoluta) ebenchmarks que só apresentaram ganhos em acurácia. Ainda assim,demais resultados evidenciam a importância de uma avaliação maisdetalhada sobre a abordagem.