Aplicación de técnicas de aprendizaje automático para generación de circuitos aproximados

Abstract

Este trabajo integra por primera vez técnicas de aprendizaje automático en la herramienta de síntesis lógica aproximada AxLS para facilitar la generación de circuitos aproximados. Se identificó y justificó la elección de implementar un método basado en árboles de decisión por su rapidez de entrenamiento, facil mapeo a Verilog y relevancia en la literatura. Se extendió AxLS con una clase para el fácil entrenamiento de árboles de decisiones y generación de módulos de Verilog aproximados, posibilitando comparaciones directas en métricas de error, área y tiempo de ejecución. Para evaluar la solución se diseñaron experimentos automáticos sobre un conjunto de circuitos de referencia, cuantificando la tasa de error, la reducción de área y la duración del proceso de síntesis. Los resultados muestran que el método basado en árboles de decisión es competitivo frente a los métodos de poda existentes en AxLS y puede descubrir soluciones más eficientes en diversos casos. Sin embargo, presenta menor control sobre el error introducido y, dependiendo del circuito, no siempre logra generar aproximaciones más compactas que el diseño original. Esta implementación no solo amplía las capacidades de AxLS, sino que sienta las bases para incorporar otras técnicas de ML y fomentar la adopción de técnicas ML dentro de flujos de ALS.

This work integrates machine learning techniques into the AxLS approximate logic synthesis tool to enable the generation of approximate circuits. A decision tree based method was selected and justified due to its fast training, straightforward mapping to Verilog, and strong presence in the literature. AxLS was extended with a class for easy training of decision trees and automated generation of approximate Verilog modules, allowing direct comparisons in error, area, and synthesis time metrics. To evaluate the approach, automated experiments were conducted on a set of benchmark circuits, measuring error rates, area reduction, and synthesis duration. Results show that decision trees are competitive with existing pruning methods in AxLS and can yield more efficient solutions in several cases. However, they provide less control over the introduced error and may not always produce smaller approximations than the original design, depending on the circuit. This work extends the AxLS framework and opens the door to incorporating a wider range of ML based approaches into ALS workflows.