Быстрый анализ статического IR drop эффекта на базе методов машинного обучения
Роман Александрович СОЛОВЬЁВ,
Дмитрий Владимирович ТЕЛЬПУХОВ,
Евгений Денисович ДЕМИДОВ,
Илья Ильич ШАФЕЕВ https://doi.org/10.15514/ISPRAS-2022-35(5)-9
Аннотация
В статье рассматривается решение проблемы быстрого проведения статического анализа падения напряжения с использованием нейронной сети. Рассматривается методика генерации базы данных необходимой для обучения ML-модели. Описывается методика обучения ML-модели для анализа статического IR drop эффекта. Описывается алгоритм получения входных данные для обучения нейронной сети из SPICE представления. Предложенное решение задачи попало в ТОП3 конкурса ICCAD Contest 2023.
Ключевые слова
Об авторах
Роман Александрович СОЛОВЬЁВ
Институт проблем проектирования в микроэлектронике РАН (ИППМ РАН)
Россия
Россия
Чл.-кор. РАН, доктор технических наук, главный научный сотрудник Института Проблем Проектирования в Микроэлектронике РАН. Сфера научных интересов: автоматизация проектирования цифровых СБИС, нейронные сети и машинное обучение, система остаточных классов, физический синтез интегральных схем.
Дмитрий Владимирович ТЕЛЬПУХОВ
Институт проблем проектирования в микроэлектронике РАН (ИППМ РАН)
Россия
Россия
Доктор технических наук, заместитель директора по научной работе Института Проблем Проектирования в Микроэлектронике РАН. Сфера научных интересов: автоматизация проектирования цифровых СБИС, логический синтез, радиационно-стойкое проектирования, машинное обучение и нейронные сети, система остаточных классов.
Евгений Денисович ДЕМИДОВ
Национальный исследовательский университет «МИЭТ»
Россия
Россия
Аспирант 2 курса «Национального исследовательского университета «МИЭТ», инженер-разработчик отдела разработки средств автоматизированного проектирования СБИС в компании ООО «Альфачип». Тема научно-исследовательской работы: «Разработка средств анализа IR drop эффекта с применением методов машинного обучения». Сфера научных интересов: автоматизация проектирования цифровых СБИС, специальные виды анализа СБИС, машинное обучение и нейронные сети.
Илья Ильич ШАФЕЕВ
Институт проблем проектирования в микроэлектронике РАН (ИППМ РАН)
Россия
Россия
Студен 2 курса магистратуры «Национального исследовательского университета «МИЭТ», инженер-исследователь в Институте Проблем Проектирования в Микроэлектронике РАН. Сфера научных интересов: автоматизация проектирования цифровых СБИС, специальные виды анализа СБИС, машинное обучение и нейронные сети.
Список литературы
1. Интернет-ресурс https://siliconvlsi.com/what-is-ir-drop/ (дата обращения – 27.11.2023).
2. Интернет-ресурс https://vlsi-backend-adventure.com/ir_analysis.html (дата обращения – 27.11.2023).
3. Интернет-ресурс https://teamvlsi.com/2020/07/ir-analysis-in-asic-design-effects-and.html (дата обращения – 27.11.2023).
4. Chhabria V. A., Ahuja V., Prabhu A., Patil N., Jain P., and Sapatnekar S. S. Thermal and IR Drop Analysis Using Convolutional Encoder-Decoder Networks. Proceedings of Asia and South Pacific Design Automation Conference (ASP-DAC), 2021.
5. Chia-Tung Ho and Andrew B Kahng IncPIRD: Fast Learning Based Prediction of Incremental IR Drop. IEEE/ACM International Conference on Computer-Aided Design (ICCAD), 2019.
6. Zhiyao Xie, Haoxing Ren, Brucek Khailany, Ye Sheng, Santosh Santosh, Jiang Hu, and Yiran Chen PowerNet: Transferable Dynamic IR Drop Estimation via Maximum Convolutional Neural Network. Asia and South Pacific Design Automation Conference (ASP-DAC), 2020.
7. Chi-Hsien Pao, An-Yu Su, and Yu-Min Lee XGBIR: An xgboost-based IR drop predictor for power delivery network. Design, Automation & Test in Europe Conference & Exhibition (DATE), 2020
8. Chhabria V. A., Zhang Y., Ren H., Keller B., Khailany B., and Sapatnekar S. S. MAVIREC: ML-Aided Vectored IR-Drop Estimation and Classification. Proceedings of Design, Automation, and Test in Europe (DATE), 2021.
9. Интернет-ресурс https://2023.iccad.com/ (дата обращения – 27.11.2023).
10. Интернет-ресурс http://iccad-contest.org/ (дата обращения – 27.11.2023).
11. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. Medical Image Computing and Computer-Assisted Intervention–MICCAI 2015: 18th International Conference, Munich, Germany, October 5-9, 2015, Proceedings, Part III 18 (pp. 234-241). Springer International Publishing.
12. Интернет-ресурс https://skine.ru/articles/533011/ (дата обращения – 27.11.2023).
13. Интернет-ресурс https://academy.yandex.ru/handbook/ml/article/metriki-klassifikacii-i-regressii (дата обращения – 27.11.2023).
14. Интернет-ресурс https://eda.ncsu.edu/freepdk/freepdk45/ (дата обращения – 27.11.2023).
15. Интернет-ресурс https://github.com/UMN-EDA/BeGAN-benchmarks (дата обращения – 27.11.2023).
16. Chhabria V. A. et al. BeGAN: Power grid benchmark generation using a process-portable GAN-based methodology. 2021 IEEE/ACM International Conference on Computer Aided Design (ICCAD). – IEEE, 2021. – С. 1-8.
17. Интернет-ресурс https://github.com/The-OpenROAD-Project (дата обращения – 27.11.2023).
18. Ajayi T., Blaauw D. Openroad: Toward a self-driving, open-source digital layout implementation tool chain. Proceedings of Government Microcircuit Applications and Critical Technology Conference. – 2019.
19. Интернет-ресурс https://electroandi.ru/toe/metod/metod-uzlovykh-potentsialov.html (дата обращения 27.11.2023).
20. Интернет-ресурс http://vscripts.ru/w/Схемы_ISCAS85 (дата обращения 27.11.2023).
21. Kirillov, A., He, K., Girshick, R., & Dollár, P. (2017). A unified architecture for instance and semantic segmentation. In CVPR.
22. Tan M., Le Q. Efficientnet: Rethinking model scaling for convolutional neural networks. International conference on machine learning. – PMLR, 2019. – С. 6105-6114.
23. Tu, Z., Talebi, H., Zhang, H., Yang, F., Milanfar, P., Bovik, A., & Li, Y. (2022, October). Maxvit: Multi-axis vision transformer. European conference on computer vision (pp. 459-479). Cham: Springer Nature Switzerland.
24. Shanmugam D. et al. Better aggregation in test-time augmentation //Proceedings of the IEEE/CVF international conference on computer vision. – 2021. – С. 1214-1223.
25. Интернет-ресурс https://ngspice.sourceforge.io/ (дата обращения 27.11.2023).
Рецензия
Для цитирования:
СОЛОВЬЁВ Р.А., ТЕЛЬПУХОВ Д.В., ДЕМИДОВ Е.Д., ШАФЕЕВ И.И. Быстрый анализ статического IR drop эффекта на базе методов машинного обучения. Труды Института системного программирования РАН. 2023;35(5):127-144. https://doi.org/10.15514/ISPRAS-2022-35(5)-9
For citation:
SOLOVYEV R.A., TELPUKHOV D.V., DEMIDOV E.D., SHAFEEV I.I. Fast Analysis of Static IR Drop Effect Based on Machine Learning Methods. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2023;35(5):127-144. (In Russ.) https://doi.org/10.15514/ISPRAS-2022-35(5)-9
Послать статью по эл. почте 