NVIDIA 探索生成式 AI 模型以增强电路设计

近年来，生成模型取得了长足进步，从大型语言模型 (LLM) 到创意图像和视频生成工具。据 NVIDIA 技术博客报道，NVIDIA 目前正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

电路设计是一个具有挑战性的优化问题。设计人员必须平衡多个相互冲突的目标，例如功耗和面积，同时满足时序要求等约束。设计空间巨大且具有组合性，因此很难找到最佳解决方案。传统方法依靠手工启发式和强化学习来应对这种复杂性，但这些方法计算量大，而且往往缺乏通用性。

CircuitVAE 简介

在他们最近的论文《CircuitVAE：高效且可扩展的潜在电路优化》中，NVIDIA 展示了变分自动编码器 (VAE) 在电路设计中的潜力。VAE 是一类生成模型，可以以以前方法所需计算成本的一小部分生成更好的前缀加法器设计。CircuitVAE 将计算图嵌入连续空间中，并通过梯度下降优化学习到的物理模拟替代品。

CircuitVAE 的工作原理

CircuitVAE 算法涉及训练模型以将电路嵌入到连续潜在空间中，并根据这些表示预测面积和延迟等质量指标。此成本预测模型通过神经网络实例化，允许在潜在空间中进行梯度下降优化，从而规避组合搜索的挑战。

训练与优化

CircuitVAE 的训练损失包括标准 VAE 重构和正则化损失，以及真实面积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，从而促进基于梯度的优化。优化过程包括使用成本加权采样选择潜在向量，并通过梯度下降对其进行细化，以最小化预测模型估计的成本。然后将最终向量解码为前缀树并进行合成以评估其实际成本。

结果与影响

NVIDIA 使用开源 Nangate45 单元库进行物理综合，在具有 32 个和 64 个输入的电路上测试了 CircuitVAE。如图 4 所示，结果表明，由于 CircuitVAE 具有高效的基于梯度的优化，因此与基线方法相比，CircuitVAE 始终能够实现更低的成本。在涉及专有单元库的实际任务中，CircuitVAE 的表现优于商业工具，展示了更好的面积和延迟帕累托前沿。

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。这种方法大大降低了计算成本，并为其他硬件设计领域（例如布局布线）带来了希望。随着生成模型的不断发展，它们有望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。

图片来源：Shutterstock