Neues Modell verbessert Design von Logikschaltungen mit And-Inverter Graphen

Die Automatisierung des Logikschaltungsdesigns steigert Chipleistung, Energieeffizienz und Zuverlässigkeit. In der Elektronik-Design-Automation (EDA) werden And‑Inverter Graphen (AIGs) häufig eingesetzt, weil sie digitale Schaltungen kompakt darstellen, optimieren und verifizieren können.

In realen AIGs sind jedoch die Strukturkomplexität und die große Knotenzahl ein Problem. Traditionelle Ansätze können die funktionalen und strukturellen Eigenschaften nicht gleichzeitig exakt abbilden und verfügen über begrenzte Möglichkeiten zur dynamischen Informationsweitergabe.

Um diese Schwächen zu beheben, wurde das Modell AIGer vorgestellt. Es besteht aus zwei Teilen: Erstens einer Initialisierungskomponente, die Logikknoten wie AND und NOT in unabhängige semantische Räume abbildet, und zweitens einem heterogenen Graph-Convolutional‑Network, das dynamische Gewichtsmatrizen und differenzierte Aggregationsmethoden nutzt, um die ursprüngliche Struktur und Information der AIGs besser zu repräsentieren. Durch die Kombination dieser beiden Komponenten kann AIGer funktionale und strukturelle Merkmale gleichzeitig erfassen und die Nachrichtenweitergabe deutlich verbessern.

Experimentelle Tests zeigen, dass AIGer die derzeit besten Modelle übertrifft und damit einen wichtigen Fortschritt für die automatisierte Schaltungsentwicklung darstellt.