RESUMO
Atualmente, o número elevado de entradas em circuitos digitais
tem se tornado um problema cada vez mais comum, demandando
novas soluções para a otimização lógica dos mesmos. Uma técnica
que vem sendo utilizada nos últimos anos é a de Logic Learning, que
tem como base o uso de técnicas de Machine Learning (ML) para
a geração de circuitos aproximados a partir de descrições parciais
das funções lógicas. Uma das técnicas de ML já utilizada em Logic
Learning é a Programação Genética Cartesiana (CGP). Apesar de
fluxos de síntese lógica baseados em CGP já terem se mostrado
efetivos, podem ter dificuldades em atingir uma evolucionabilidade
satisfatória dentro de uma restrição de tempo de execução e para
certas funções. Neste contexto, o presente trabalho busca investigar
a aplicação de uma técnica denominada aprendizagem curricular
(Curriculum Learning) para melhorar a evolucionalidade, convergindo
para uma melhor acurácia. Para avaliar de forma preliminar
a solução proposta foi utilizada uma porção dos benchmarks da
competição de síntese lógica da conferência IWLS de 2020, através
dos quais observou-se que, quando são priorizados exemplos
de treinamento com dificuldade igualitariamente distribuída ou
exemplos mais difíceis, a técnica de aprendizado curricular pode
trazer benefícios para o processo evolutivo. Entre os resultados que
colaboram para esta hipótese estão ganhos de até 20% na acurácia
dos circuitos gerados (se considerada uma diferença absoluta) e
benchmarks que só apresentaram ganhos em acurácia. Ainda assim,
demais resultados evidenciam a importância de uma avaliação mais
detalhada sobre a abordagem.