GENIAL：通过网络反演进行面向低功耗算法逻辑单元的生成式设计空间探索

基于摘要分析。本文研究数字系统中算术单元的自动生成与优化，主要对象是乘法器，而非神经信号解码。GENIAL 使用 Transformer 代理模型预测硬件指标，并通过反演该模型搜索适合特定输入数据分布的操作数编码，以降低算术单元的功耗。 核心机制是先对代理模型进行自监督预训练，再进行监督微调，使其从抽象设计表示预测功耗、面积等指标；随后利用模型反演开展设计空间搜索。作者报告，该框架在所用大规模设计数据集上比其他方法具有更高的样本效率，并更快收敛到优化设计，从而能够将高投入的逻辑综合优化流程纳入迭代环路，提高代理模型预测准确性。摘要未给出设计表示、反演求解方式、训练目标、数据规模及对照方法细节。 作者报告，在代表性 AI 工作负载下，相比传统二进制补码，自动发现的编码可使乘法器内部开关活动最多降低 18%；这一结果对应特定工作负载和编码对照，不代表芯片总功耗同幅下降。作者还报告在 Finite State Machines 上取得改善，但摘要未提供具体指标。实验协议、消融及统计信息尚未验证，编码转换开销、时序与面积权衡也需查阅全文核对。 平台推测（待验证）：若用于低功耗 EEG/BCI 硬件，其可能价值在于针对实际算术操作数分布优化编码，而不是改进 EEG 解码算法。可复用代理建模与反演搜索流程，但需适配目标电路、信号量化方式和硬件约束；低信噪比、跨被试或跨会话变化可能改变操作数分布，小规模代表性数据也可能导致优化失配。一个可检验的小实验是固定 EEG 解码模型与量化设置，仅用训练数据驱动编码搜索，再在独立被试数据上比较补码与搜索编码的开关活动，并计入编码转换的功耗、面积和时序开销。以上不是论文已验证结论；已有 EEG 相关工作尚未检索确认。