OpenLS-DGF: An Adaptive Open-Source Dataset Generation Framework for Machine Learning Tasks in Logic Synthesis

本文介绍了OpenLS-DGF，一个自适应逻辑综合数据集生成框架，旨在增强逻辑综合过程中的机器学习（ML）应用。以往的数据集生成流程要么针对特定任务定制，要么缺乏集成的机器学习能力。而OpenLS-DGF通过封装逻辑综合的三个基本步骤：布尔表示、逻辑优化和技术映射，支持各种机器学习任务。它保留了原始信息，并以Verilog和适合机器学习的GraphML格式呈现。Verilog文件提供了半定制功能，使研究人员能够插入额外的步骤并逐步改进生成的数据集。此外，OpenLS-DGF包含了一个自适应电路引擎，有助于最终的数据集管理和下游任务。生成的OpenLS-D-v1数据集包括来自已建立基准的46个组合设计，总计超过966,000个布尔电路。OpenLS-D-v1支持整合新的数据特征，使其在应对新挑战时更加灵活。本文通过四个不同的下游任务展示了OpenLS-D-v1的多功能性：电路分类、电路排序、结果质量（QoR）预测和概率预测。每个任务都代表了逻辑综合的关键步骤，实验结果显示，由OpenLS-DGF生成的数据集具有显著的多样性和适用性。源代码和数据集可在以下地址获取：https://github.com/Logic-Factory/ACE/blob/master/OpenLS-DGF/readme.md。

该论文旨在解决现有逻辑合成数据集生成流程的局限性，如针对特定任务定制或缺乏集成的机器学习能力。它提出了一种新的框架来增强机器学习在逻辑合成过程中的应用。

OpenLS-DGF通过封装逻辑合成的三个基本步骤（布尔表示、逻辑优化和技术映射），支持多种机器学习任务，并且能够同时保留Verilog和GraphML格式的数据。这种框架不仅提供了半定制化的功能，还引入了自适应电路引擎，以管理最终的数据集和下游任务，从而显著提高了数据集的多样性和适用性。

论文通过四个不同的下游任务（电路分类、电路排名、质量预测和概率预测）展示了OpenLS-D-v1数据集的多功能性。这些任务涵盖了逻辑合成的关键步骤。此外，OpenLS-D-v1数据集包含46个组合设计，超过966,000个布尔电路，支持新特征的集成。所有源代码和数据集均已开源，可在GitHub上访问。

近期在这个领域中，有几篇相关的研究值得关注： 1. "A Machine Learning Framework for Logic Synthesis Optimization" - 提出了一种基于机器学习的逻辑合成优化框架。 2. "Deep Learning for Logic Synthesis: A Comprehensive Survey" - 对深度学习在逻辑合成中的应用进行了全面综述。 3. "Graph Neural Networks for Circuit Design" - 探索了图神经网络在电路设计中的应用。 4. "Adaptive Logic Synthesis Using Reinforcement Learning" - 研究了强化学习在逻辑合成中的自适应方法。