NVIDIA 探索用于增强电路设计的生成式 AI 模型

近年来，生成式模型取得了相当大的进步，从大规模语言模型（LLMs）到创意图像和视频生成工具。根据 NVIDIA 技术博客，NVIDIA 现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。设计者必须在满足时序要求等约束条件的同时，平衡功耗和面积等多个相互矛盾的目标。设计空间是广泛的和组合的，寻找最优解是困难的。传统方法依赖于手工编制的启发式算法和强化学习来解决这一复杂性，但这些方法计算量大且往往缺乏泛化性。

介绍 CircuitVAE

在他们最近的论文中，CircuitVAE: 高效和可扩展的潜在电路优化，NVIDIA 展示了变分自编码器（VAE）在电路设计中的潜力。VAE 是一类生成模型，可以在以前方法所需计算成本的分数下生成更好的前缀加法器设计。CircuitVAE 将计算图嵌入到连续空间中，并通过梯度下降优化物理模拟的学习代理。

CircuitVAE 的工作原理

CircuitVAE算法涉及训练一个模型，将电路嵌入到连续潜在空间中，并从这些表示中预测质量指标，如面积和延迟。这个成本预测模型由一个神经网络实现，允许在潜在空间中进行梯度下降优化，克服了组合搜索的挑战。

训练和优化

CircuitVAE 的训练损失包括标准的 VAE 重构和正则化损失，以及真实和预测面积与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。优化过程涉及选择一个使用成本加权采样的潜在向量，并通过梯度下降细化它，以最小化成本预测模型估计的成本。最终的向量然后解码成一个前缀树并合成为实际成本进行评估。

结果和影响

NVIDIA 使用开源的 Nangate45 单元库进行物理综合，在具有 32 和 64 输入的电路上测试了 CircuitVAE。结果如图 4 所示，CircuitVAE 由于其高效的基于梯度的优化方法，始终实现了比基线方法更低的成本。在涉及专有单元库的实际任务中，CircuitVAE 优于商业工具，展示了更好的面积和延迟的帕累托前沿。

未来前景

CircuitVAE 通过将优化过程从离散空间转移到连续空间，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，并在其他硬件设计领域（如布局布线）中具有很大的前景。随着生成模型的不断发展，它们将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。