基于元强化学习与多模态电路表示的芯片逻辑综合方法
知识产权简介
本发明公开一种基于元强化学习与多模态电路表示的芯片逻辑综合方法，包括：构建电路基础数据集、算子序列数据集、预训练数据集及强化学习-逻辑综合交互环境，采用模型无关元学习构建外循环通用参数学习与内循环新电路适配的双层机制，训练通用参数，搭建协作式多阶段强化学习框架和多近端策略优化智能体，提取电路的结构功能模态原始特征、优化历史模态原始特征及标量特征模态原始特征，通过跨模态融合生成统一的电路特征表示向量，结合延迟奖励函数引导多近端策略优化智能体执行全流程优化。本发明通过多模态特征表征与多阶段协同优化，实现跨电路高效迁移，提升电路性能-功耗-面积的全局平衡，解决传统方法迁移性差、优化割裂的问题。
转化前景
该专利核心技术是面向先进工艺芯片的逻辑综合方案，融合元强化学习与多模态电路表示，解决传统方法迁移性差、优化割裂等痛点，适配大规模异构电路设计需求。 技术优势突出：采用模型无关元学习的双层机制，新电路仅需 1-2 轮微调即可适配，跨电路迁移效率大幅提升；搭建协作式多阶段框架，逻辑优化、技术映射、映射后优化三阶段智能体共享状态与历史，实现 PPA 全局平衡；提取结构功能、优化历史、标量特征三模态信息，经跨模态融合增强电路理解深度；延迟奖励函数聚焦全局目标，避免智能体 “短视”。 性能指标优异：EPFL 基准库测试中，平均 LUT 数较传统单阶段 RL 方法降低 16.9%，大规模电路降幅超 30%；平衡因子达1.024，较 SOTA 方法提升 120.2%；ISCAS85 基准库适配测试中，未训练电路平均 LUT 数较随机初始化降低 7.7%，泛化能力强劲。 产业化前景广阔，可集成于 EDA 工具链，无需额外硬件投入，部署成本低。适用于 AI 芯片、消费电子、半导体等领域，能缩短芯片设计周期、降低研发成本，助力先进工艺芯片量产落地，为电子设计自动化行业提供高效优化方案。