近日，实验室王虹飞副研究员的两篇论文被EDA方向国际顶级期刊 IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems （IEEE TCAD）录用。

论文“HardGBM: A Framework for Accurate and Hardware-Efficient Gradient Boosting Machines”研究人工智能软硬协同设计问题。梯度提升机（Gradient Boosting Machine，GBM）是一种功能强大、应用广泛的集合机器学习方法，其中最著名的是XGBoost。然而，由于资源紧张，在硬件上运行大型GBM的成本可能会变得过高。GBM集成模型约简本质上是困难的，因为成员模型是按顺序构建，后一个模型的训练目标取决于前一个模型的性能。论文首次提出了一个GBM约简框架来解决这个问题。该框架首次支持回归树集成模型的自动硬件实现。在24个不同应用的数据集上进行的实验表明，提出的方法将总体面积利用率降低了81.60%，功耗降低了21.15%，同时超过或成功保持了与原始XGBoost集成算法相比的性能水平。在对比实验中，要达到与论文提出的算法或XGBoost大致相同的准确率水平，基于深度学习的解决方案至少需要52.7倍的硬件面积和6.0倍功耗及1.4倍的训练时间。该框架配备了可调参数，有望在考虑到硬件资源限制、准确性和稳定性以及计算（训练）效率的情况下获取帕累托最优解。

论文“GRAND: A Graph Neural Network Framework for Improved Diagnosis”研究芯片故障诊断问题。在半导体早期试制和良率爬升阶段，良率学习需要具有高分辨率诊断的支持。遗憾的是，诊断工具产生的故障诊断结果往往分辨率不高，阻碍了后续进一步失效分析与故障定位。为此，论文提出了一种能显著改进诊断分辨率的方法。通过将被测逻辑电路建模为图，该方法利用图神经网络将诊断呼出的每个候选故障确定为真故障或假候选故障。这种新颖的深度学习方法主要是充分利用了具有潜在结构信息的电路拓扑结构，而以往的方法大多忽略了这一信息或对其分析不足。在包括工业设计在内的各种基准电路上进行的广泛实验表明，与基于故障模拟器的诊断工具相比，诊断分辨率提高了4.51倍，与一种最先进的商业诊断工具相比，提高了5.98倍。此外，实验还表明，提出的方法可以成功识别62.96%的真正候选故障，而这些故障原本并没有被商业工具赋予较高的优先级（非最高分的候选故障）。这意味着该方法除了能提高诊断分辨率外，还能修正现有的商业诊断结果。

IEEE TCAD期刊主要关注集成电路EDA、计算机硬件、计算机辅助设计领域最新的研究进展和技术，是中国计算机学会（CCF）推荐的A类期刊，每年刊出12 期，该期刊的影响因子为2.9。

（通讯员：王虹飞）