2024-11-14，由中国科学院计算技术研究所、鹏城实验室和北京大学等联合创建OpenLSD数据集，目的为逻辑综合过程中的机器学习任务提供一个自适应的数据集生成框架。该数据集的核心研究问题是如何在逻辑综合的三个基本步骤——布尔表示、逻辑优化和技术映射中，通过机器学习方法提升效率和质量。
数据集地址：OpenLS-D|逻辑综合数据集|机器学习数据集
一、研究背景：
逻辑综合是电子设计自动化（EDA）流程中的关键环节，它负责将高级设计规范转化为门级网络列表。近年来，机器学习方法在逻辑优化、技术映射和形式验证等方面显示出了提升效率和质量的潜力。
目前遇到困难和挑战：
1、现有数据集多为特定任务定制，缺乏广泛适应性，无法满足多样化的机器学习任务需求。
2、缺乏一个能够覆盖逻辑综合全流程的综合性数据集，导致研究工作重复且效率低下。
3、现有EDA流程中缺乏对数据集生成的专门支持，限制了机器学习技术的应用和发展。
数据集地址：OpenLS-D|逻辑综合数据集|机器学习数据集
二、 让我们一起来看一下OpenLSD数据集
OpenLSD是一个自适应开源数据集，旨在支持逻辑综合中的多种机器学习任务。
OpenLSD数据集包含46个组合设计，超过966,000个布尔电路，每个设计基于1000个综合配方生成21,000个电路。
数据集构建：
数据集通过一个自适应框架生成，该框架封装了逻辑综合的三个基本步骤：布尔表示、逻辑优化和技术映射。
框架能够保留中间文件中的原始信息，并以Verilog和GraphML格式存储，支持半定制化，允许研究人员添加步骤和逐步完善生成的数据集。
数据集特点：
1、多样性：覆盖广泛的设计类型和类别。
2、通用性：支持多种机器学习任务。
3、适应性：能够适应不同任务，提取定制的子数据集。
数据集以Verilog和GraphML格式存储，支持半定制化，允许研究人员添加步骤和逐步完善生成的数据集。
基准测试：
通过电路分类、电路排名、质量预测和概率预测四个不同的下游任务来验证数据集的多样性和广泛的适用性。
逻辑综合流程。
提出的自适应逻辑综合数据集生成框架针对多个任务
OpenLS-D中项目组件。为了方便，逻辑类型{OIG, XAG, MIG, PRIMARY}用省略号缩写。
通用电路类的统一建模语言（UML）类图。
三种图之间的节点对应关系：布尔电路、电路和Torch几何。
源设计的图嵌入相似性。
源设计的QoR（质量与可靠性）分布。每一行展示了不同设计之间的QoR分布，每一列呈现了单一设计中三种不同的QoR度量类型。面板(a)至(d)显示了设计优化AIGs的节点大小和图深度分布；(e)至(h)显示了相应ASIC网表的面积和到达时间分布；(i)至(l)显示了不同类型布尔网络的QoR分布的凸包。
对于一个设计，随着AIG集合增量食谱大小的变化，节点大小和图深度的分布。
三、让我们展望OpenLSD数据集的应用
比如，我一名电路设计师，手头有一个复杂的电路设计任务。
我日常工作通过传统的逻辑综合方法来一步步构建和优化电路。这意味着我得手动尝试不同的逻辑优化策略，比如改变门的布局或者调整逻辑门的类型，来减少电路的延迟或者面积。我得查阅大量的文献和案例，看看别人是怎么解决类似问题的。然后，我得自己编写脚本来自动化一些流程，或者使用一些现成的工具，但这些工具可能并不完全符合我的需求。每次设计完成后，我还得手动进行验证，确保电路满足所有的性能要求，这个过程既耗时又容易出错。
现在有了OpenLSD数据集训练的智能系统：
我可以把设计任务输入到这个系统中，系统会根据数据集中的966,000多个布尔电路案例，给我提供一些优化建议。这些建议是基于机器学习模型的，它们在过去的大量设计案例中学习到了哪些设计选择会导致性能提升。
当我正在设计一个需要快速响应的电路，智能系统会告诉我，根据OpenLSD数据集的分析，使用哪种逻辑门布局可以减少信号传播的延迟。我可以根据这些建议快速调整设计，然后智能系统会帮我预测这些改变对电路性能的影响，比如减少了多少延迟或者节省了多少面积。
当我在设计中遇到瓶颈，比如某个部分的电路总是无法满足性能要求，系统还可以帮我进行概率预测，分析电路中各个部分的可靠性，找出可能的问题点。这就像是有一个经验丰富的老师傅在旁边给我支招，告诉我哪里可能出错，哪里需要特别注意。
你知道吗？最棒的就是这个系统还可以帮我进行电路分类和排名，帮我快速比较不同的设计方案，找出哪个方案最有可能在实际应用中表现最好。这在项目时间紧迫的时候特别有用，因为我可以直接聚焦在那些最有潜力的方案上，而不是在一堆方案中浪费时间。
总的来说，有了OpenLSD数据集训练的智能系统，我的电路设计工作就像是有了一本百科全书和一个智能助手。我可以更快地做出决策，更准确地预测设计结果，而且还能从大量的案例中学习到新的设计理念和技巧。这不仅提高了我的工作效率，也让我的设计更加可靠和先进。
更多免费数据集，请打开：遇见数据集
https://www.selectdataset.com/
