Применение нейронных сетей для сегментации изображений в задаче быстрой трассировки интегральных схем

В работе исследуются возможности применения нейросетевых методов для решения задачи глобальной трассировки интегральных схем. Разработан алгоритм генерации обучающей выборки на основе волнового алгоритма Ли, позволяющий синтезировать трехмерные матрицы с препятствиями и точками, которые нужно соединить. Для обучения выбрана полносверточная нейронная сеть U-Net, эффективная для семантической сегментации изображений. Проведена оценка качества результатов на тестовой выборке. Показано значительное сокращение времени трассировки по сравнению с волновым методом, однако доля маршрутов без разрывов составила лишь 37%. Предложены пути улучшения обучающей выборки и адаптации подхода под реальные условия с использованием файлов DEF и GUIDE. В работе продемонстрирован потенциал нейросетевых методов для ускорения задачи трассировки, однако требуется продолжение исследований для повышения качества и надежности результатов. Работа полезна для специалистов в области проектирования интегральных схем и машинного обучения.

1. F. Rubin, "The Lee Path Connection Algorithm," in IEEE Transactions on Computers, vol. C-23, no. 9, pp. 907-914, Sept. 1974, doi: 10.1109/T-C.1974.224054.

2. James, Gareth & Witten, Daniela & Hastie, Trevor & Tibshirani, Robert. (2013). An Introduction to Statistical Learning: With Applications in R., Springer, New York, NY https://doi.org/10.1007/978-1-4614-7138-7.

3. O'Shea, K., & Nash, R. (2015). An introduction to convolutional neural networks. arXiv preprint arXiv:1511.08458.

4. Ronneberger, O., Fischer, P., Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. In: Navab, N., Hornegger, J., Wells, W., Frangi, A. (eds) Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. MICCAI 2015. Lecture Notes in Computer Science, vol 9351. Springer, Cham. https://doi.org/10.1007/978-3-319-24574-4_28.

5. Sudre, C.H., Li, W., Vercauteren, T., Ourselin, S., Jorge Cardoso, M. (2017). Generalised Dice Over-lap as a Deep Learning Loss Function for Highly Unbalanced Segmentations. In: Cardoso, M., et al. Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support. DLMIA ML-CDS 2017 2017. Lecture Notes in Computer Science, vol 10553. Springer, Cham. https://doi.org/10.1007/978-3-319-67558-9_28

6. Ghazy, A.A., & Shalan, M. (2020). OpenLANE: The Open-Source Digital ASIC Implementation Flow. in Proc. Workshop on Open-Source EDA Technol. (WOSET), 2020, Art. no. 21.

7. LEF/DEF 5.8 Language Reference. Доступно по ссылке: https://coriolis.lip6.fr/doc/lefdef/lefdefref/DEFSyntax.html, дата обращения — апрель 2023.