Otimização de etapas do fluxo de síntese de circuitos integrados explorando técnicas de aprendizado de máquina

Abstract

O contínuo avanço tecnológico tem demandado novas soluções para o problema do número cada vez mais elevado de entradas em circuitos lógicos. Dentro deste contexto, uma estratégia explorada nos anos mais recentes é a aplicação de técnicas de aprendizado de máquina para a obtenção de circuitos que generalizem o comportamento de funções descritas de forma parcial. Uma das técnicas que já foi anteriormente aplicada neste contexto é a Programação Genética Cartesiana (CGP), cujos resultados obtidos até então indicam a sua efetividade, mas também evidenciam que, em boa parte das situações, os circuitos que ela gera não possuem uma acurácia satisfatória. Sendo assim, o trabalho desenvolvido neste projeto apresenta uma abordagem que consiste na aplicação de Curriculum Learning a um fluxo de otimização lógica baseado em CGP para melhorar tal aspecto. A técnica de Curriculum Learning classifica os exemplos do conjunto de treinamento e os escolhe para participar da seleção de circuitos de acordo com alguma regra preestabelecida. Os resultados dos experimentos realizados indicam que, em geral, os circuitos gerados utilizando-se a técnica apresentaram acurácias menores e tamanhos maiores ou diferenças insignificantes para ambas as características, quando comparados com circuitos gerados sem o uso da técnica. Ainda assim, há uma classe de problemas que, indo à contramão dos últimos resultados, apresentou redução no tamanho geral dos circuitos, inaugurando assim uma nova possibilidade de investigação. Outras questões a serem exploradas envolvem a investigação dos motivos para a técnica não ser benéfica para os objetivos estabelecidos.