AiLO：一种基于多尺度交叉注意力Transformer的逻辑优化预测框架

《ACM Transactions on Design Automation of Electronic Systems》：AiLO: A Predictive Framework for Logic Optimization Using Multi-Scale Cross-Attention Transformer

AI辅助逻辑优化框架AiLO通过多尺度交叉注意力Transformer提升预测精度，并与NSGA-II算法结合实现性能显著提升，平均优化提升14.75%，同时具备自适应和灵活性优势。

　　

摘要

逻辑优化（Logic Optimization, LO）是芯片设计过程中的一个关键阶段，其目标是通过优化电路设计来最小化面积和延迟，从而提高设计成果的质量（Quality of Results, QoR）。在逻辑优化过程中，每次迭代后都需要完成逻辑优化和技术映射才能评估设计成果的质量。这一评估过程非常耗时，限制了在给定时间内可以进行的优化迭代次数。为了解决这个问题，开发了基于人工智能的逻辑优化框架（AI-aided Logic Optimization, AiLO），以探索更多的优化操作序列（即优化方案）。AiLO框架由两个核心组成部分构成：基于人工智能的度量评估和优化探索。为了实现准确的评估，可以集成不同的预测模型。引入了一种多尺度交叉注意力Transformer（CrossLO），用于在各种尺度上模拟电路中优化方案的结构，从而提高预测的准确性。

此外，即使预测存在偏差，AI评估模块也能有效维护优化方案的排名。将逻辑优化探索算法与CrossLO（AI评估）结合使用后，其性能相比初始版本平均提升了14.75%。与CrossLO集成在一起的NSGA-II（优化模块）在同一时间内也显著优于其他算法。另外，随着这两个组件的性能不断提升，AiLO框架也展现出强大的适应性和灵活性。