#华为中科大优化芯片设计##芯片逻辑优化提效2倍多#

芯片设计背后的算法——逻辑优化（LO）这一环，直接影响芯片设计的速度和成品质量。

而传统逻辑优化存在一些问题：冗余操作太多，跑得慢，还经常“白忙活”。

为了优化这个环节，中科大王杰教授团队和华为诺亚方舟实验室联手，搞出了一个新AI框架——CMO（Circuit Symbolic Learning Framework）。

它结合图神经网络（GNN）和蒙特卡洛树搜索（MCTS），能大幅减少无效操作，“剪枝”更精准，让芯片设计效率最高提升了2.5倍。

打个比方，GNN像是“看图识路”的AI司机，能理解电路图的结构，而MCTS就像是军师，帮你避开坑点、挑出高收益操作。

CMO把这两者结合在一起，不光跑得快，还跑得准，而且能用在只靠CPU的实际工业环境里，告别GPU依赖。

更妙的是，这不是简单粗暴地堆深度学习，而是搞了个“教师-学生”模式：GNN先学明白逻辑转换哪些有效，再把这个“知识”用符号学习的方法传授给MCTS，最后产出轻量级、可解释、可泛化的打分函数。

CMO中最核心的一招叫GESD（Graph Enhanced Symbolic Discovery Framework），这是一种图增强的蒙特卡洛树搜索方案。

它定义了一套规则和符号（比如加减乘除、对数、布尔运算等），再通过蒙特卡洛树一步步生成“表达式树”，不断尝试不同的组合，找出最能判断节点转换价值的函数。

它还用了多种策略优化整个流程：

- 结构-语义特征分离：结构特征走数学路线，语义特征用布尔逻辑，各走各的，避免搜索空间爆炸；
- 知识蒸馏：不是照搬GNN的结果，而是学习GNN的“判断思路”；
- 奖励机制调优：确保学习出的函数既有效又不复杂，兼顾实用性和效率；
- 焦点损失函数（Focal Loss）：针对稀疏数据中正负样本不平衡问题，让训练更稳准狠。

实验结果来看，在EPFL和IWLS两个开源电路数据集，以及一个工业级电路数据集上验证，CMO不仅让老牌逻辑优化算子Mfs2提速，还能在相同时间内跑出更好的电路优化结果。

像在大规模Sixteen电路上，优化时间从78784秒缩短到32001秒，效率提升接近60%。

更惊喜的是，电路深度也减了不少，比如在Hyp电路上从8259层减少到5762层，大幅降低延迟，真正让“剪枝”有感。

目前，这套技术已经集成进华为的EMU逻辑综合工具中，成为支持EDA国产化链条的重要一环。

原文链接：http://t.cn/A6r9kear
论文地址：http://t.cn/A6r9keaB
代码地址：http://t.cn/A6r9kea1