Предсказание характеристик СБИС по логической схеме с помощью методов машинного обучения
Михаил Сергеевич ЛЕБЕДЕВ,
Дарья Алексеевна ДЫСКИНА,
Анастасия Юрьевна ЕРЕМЕНКО,
Фёдор Александрович КАБАНОВ,
Илья Александрович КОЗМИН,
Даниил Михайлович ПЕТРЕНКО,
Никита Басуевич ПОУДИАЛ,
Андрей Алексеевич СЕРГЕЕВ,
Рена Афраил кызы ШИРИНОВА https://doi.org/10.15514/ISPRAS-2025-37(2)-4
Аннотация
Разработка цифровой аппаратуры – длительный процесс, одними из основных этапов которого являются логический и физический синтез. Несмотря на автоматизацию синтеза в современных САПР, он может занимать часы или даже дни. Применение методов машинного обучения может помочь прогнозировать результаты синтеза и за счет этого ускорить весь процесс разработки. В данной статье описан опыт создания и оценки восьми моделей машинного обучения для прогнозирования площади и задержки СБИС по ее схеме на этапе логического синтеза. Полученные результаты показывают перспективность данного подхода и указывают направления для дальнейших исследований.
Ключевые слова
машинное обучение,
искусственный интеллект,
системы автоматизации проектирования (САПР),
логический синтез,
логическая схема,
конъюнкторно-инверторные графы (AIG)
При поддержке: Исследование выполнено в РЭУ им. Г.В. Плеханова за счет гранта Российского научного фонда № 23-21-00313, https://rscf.ru/project/23-21-00313.
Об авторах
Михаил Сергеевич ЛЕБЕДЕВ
Российский Экономический Университет им. Г.В. Плеханова
Институт системного программирования им. В.П. Иванникова РАН
Россия
Россия
Старший научный сотрудник научной лаборатории «Гетерогенные компьютерные системы» РЭУ им. Г.В. Плеханова, научный сотрудник Института Системного Программирования им. В.П. Иванникова РАН. Сфера научных интересов: логический синтез, машинное обучение, нейронные сети, цифровая аппаратура.
Дарья Алексеевна ДЫСКИНА
Российский Экономический Университет им. Г.В. Плеханова
Россия
Россия
Студент направления «Информационная безопасность» в РЭУ им. Г.В. Плеханова. Ее научная деятельность связана с применением методов машинного обучения в процессе оптимизации цифровых схем.
Анастасия Юрьевна ЕРЕМЕНКО
Российский Экономический Университет им. Г.В. Плеханова
Россия
Россия
Студент направления «Прикладная математика и информатика» РЭУ им. Г.В. Плеханова. Её научные интересы включают анализ данных, машинное обучение и искусственный интеллект.
Фёдор Александрович КАБАНОВ
Российский Экономический Университет им. Г.В. Плеханова
Россия
Россия
Студент направления «Информационная безопасность» в РЭУ им. Г.В. Плеханова. Его научная деятельность связана с применением методов машинного обучения в процессе оптимизации цифровых схем.
Илья Александрович КОЗМИН
Российский Экономический Университет им. Г.В. Плеханова
Россия
Россия
Студент направления «Прикладная математика и информатика» в РЭУ им. Г.В. Плеханова. Его научные интересы включают искусственный интеллект, работа с большими данными, методы оптимизации логических схем.
Даниил Михайлович ПЕТРЕНКО
Российский Экономический Университет им. Г.В. Плеханова
Россия
Россия
Студент направления «Информационная безопасность» в РЭУ им. Г.В. Плеханова. Его научные интересы связанны с применение машинного обучения для анализа логических схем цифровых устройств.
Никита Басуевич ПОУДИАЛ
Российский Экономический Университет им. Г.В. Плеханова
Россия
Россия
Студент направления «Информационная безопасность» в РЭУ им. Г.В. Плеханова. Его научная деятельность связана с использованием машинного обучения для анализа больших данных.
Андрей Алексеевич СЕРГЕЕВ
Российский Экономический Университет им. Г.В. Плеханова
Россия
Россия
Студент направления «Информационная безопасность» в РЭУ им. Г.В. Плеханова. В сферу его научных интересов входит изучение нейронных сетей и процессов, связанных с их оптимизацией.
Рена Афраил кызы ШИРИНОВА
Российский Экономический Университет им. Г.В. Плеханова
Россия
Россия
Студент РЭУ им. Г.В. Плеханова по специальности «Прикладная математика и информатика в экономике». Ее научные интересы включают машинное обучение и обучение с подкреплением
Список литературы
1. Chowdhury A.B., Tan B., Karri R., Garg S. OpenABC-D: A Large-Scale Dataset For Machine Learning Guided Integrated Circuit Synthesis. ArXiv, abs/2110.11292 (online). Доступно по ссылке: https://arxiv.org/pdf/2110.11292.pdf, 2021.
2. Kirby R., Godil S., Roy R., Catanzaro B. CongestionNet: Routing congestion prediction using deep graph neural networks. IFIP/IEEE 27th International Conference on Very Large Scale Integration (VLSI-SoC), 2019, pp. 217—222.
3. Guo Z., Liu M., Gu J., Zhang S., Pan D.Z., Lin Y. A timing engine inspired graph neural network model for pre-routing slack prediction. Proceedings of the ACM/IEEE Design Automation Conference (DAC), 2022, pp. 1207–1212.
4. Barboza E. C., Shukla N., Chen Y., Hu J. Machine Learning-Based Pre-Routing Timing Prediction with Reduced Pessimism. ACM/IEEE Design Automation Conference (DAC), 2019, pp. 1-6.
5. Xie Z., Liang R., Xu X., Hu J., Chang C.-C., Pan J., Chen Y. Preplacement Net Length and Timing Estimation by Customized Graph Neural Network. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, vol. 41, No. 11, 2022, pp. 4667-4680.
6. Berkeley Logic Synthesis and Verification Group, ABC: A System for Sequential Synthesis and Verification. Доступно по ссылке: http://www.eecs.berkeley.edu/~alanmi/abc, дата обращения: 12.12.2023.
7. Формат файлов GraphML. Доступно по ссылке: http://graphml.graphdrawing.org, дата обращения 12.12.2023.
8. Brglez F., Bryan D., Kozminski K. Combinational profiles of sequential benchmark circuits. 1989 IEEE International Symposium on Circuits and Systems (ISCAS), vol.3, 1989, pp. 1929-1934.
9. Библиотека машинного обучения Pytorch. Доступно по ссылке: https://pytorch.org, дата обращения 12.12.2023.
10. Библиотека машинного обучения Tensorflow. Доступно по ссылке: https://www.tensorflow.org, дата обращения 12.12.2023.
11. Библиотека машинного обучения SciKit-Learn. Доступно по ссылке: https://scikit-learn.org, дата обращения 12.12.2023.
12. Библиотека градиентного бустинга XGBoost. Доступно по ссылке: https://github.com/dmlc/xgboost, дата обращения 12.12.2023.
13. Библиотека градиентного бустинга LightGBM. Доступно по ссылке: https://github.com/microsoft/LightGBM, дата обращения 12.12.2023.
Рецензия
Для цитирования:
ЛЕБЕДЕВ М.С., ДЫСКИНА Д.А., ЕРЕМЕНКО А.Ю., КАБАНОВ Ф.А., КОЗМИН И.А., ПЕТРЕНКО Д.М., ПОУДИАЛ Н.Б., СЕРГЕЕВ А.А., ШИРИНОВА Р.А. Предсказание характеристик СБИС по логической схеме с помощью методов машинного обучения. Труды Института системного программирования РАН. 2025;37(2):49-60. https://doi.org/10.15514/ISPRAS-2025-37(2)-4
For citation:
LEBEDEV M.S., DYSKINA D.A., EREMENKO A.Yu., KABANOV F.A., KOZMIN I.A., PETRENKO D.M., POUDIAL N.B., SERGEEV A.A., SHIRINOVA R.A. Netlist-Based ASIC Area and Delay Prediction Using Machine Learning. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2025;37(2):49-60. (In Russ.) https://doi.org/10.15514/ISPRAS-2025-37(2)-4
Послать статью по эл. почте 