Применение нейросетей для оценки разводимости при проектировании СБИС с учетом начальных параметров топологии

В статье рассматривается задача оценки карты разводимости при проектировании интегральных схем на этапе размещения цифровых блоков с использованием нейросетевых моделей. Раннее прогнозирование разводимости позволит инженеру-проектировщику схем изменить план размещения, расположение макросов и портов ввода-вывода, чтобы предотвратить проблемы с маршрутизацией межсоединений на более поздних этапах, тем самым сократив количество запусков инструментов автоматизации электронного проектирования и общее время разработки схемы. В работе предлагается использовать начальные параметры топологии, которые не учитывались в предыдущих работах и позволяют моделям делать более точные прогнозы карты разводимости.

1. Ajayi et. al. OpenROAD: Toward a Self-Driving, Open-Source Digital Layout Implementation Tool Chain. Proc. GOMACTECH, 2019, pp. 1105–1110.

2. R. Kirby, S. Godil, R. Roy, and B. Catanzaro. CongestionNet: routing congestion prediction using deep graph neural networks. IFIP/IEEE 27th International Conference on Very Large Scale Integration (VLSI-SoC), Cuzco, Peru, 2019, pp. 217–222.

3. A. Ghose, V. Zhang, Y. Zhang, D. Liu, W. Liu, and V. Coates. Generalizable cross-graph embedding for GNN-based congestion prediction. IEEE/ACM International Conference on Computer Aided Design (ICCAD), 2021.

4. P. Velickovic, G. Cucurull, A. Casanova, A. Romero, P. Lió, and Y. Bengio. Graph attention networks. arXiv (Cornell University), 2018.

5. W. L. Hamilton, R. Ying, and J. Leskovec. Versatile multi-stage graph neural network for circuit representation. arXiv (Cornell University), 2017.

6. S. Yang, Z. Yang, D. Li, Y. Zhang, Z. Zhang, G. Song, and J. Hao. Inductive representation learning on large graphs. In Advances in Neural Information Processing Systems, 2022, vol. 35.

7. B. Wang, G. Shen, D. Liu, J. Hao, W. Liu, Y. Huang, H. Wu, Y. Lin, G. Chen, and P. Heng. LHNN: Lattice hypergraph neural network for VLSI congestion prediction. arXiv (Cornell University), 2022.

8. M. Saibodalov, I. Karandashev, Z. Sokhova, E. Kocheva, and N. Zheludkov. Routing Congestion Prediction in VLSI Design Using Graph Neural Networks. DSPA 2024 26th International Conference on Digital Signal Processing and its Applications, Moscow, Russian Federation, 2024, pp. 1-4.

9. P. Spindler and F. M. Johannes. Fast and accurate routing demand estimation for efficient routability-driven placement. EDA Consortium Proceedings of the Conference on Design, Automation and Test in Europe, San Jose, CA, USA, 2007, pp. 1226–1231.

10. A. B. Chowdhury, B. Tan, R. Karri, and S. Garg. OpenABC-D: a large-scale dataset for machine learning guided integrated circuit synthesis. arXiv (Cornell University), 2021.

11. Olaf Ronneberger, Philipp Fischer, and Thomas Brox. U-Net: Convolutional Networks for Biomedical Image Segmentation. arXiv (Cornell University), 2015.

12. Ozan Oktay et al. Attention U-Net: Learning Where to Look for the Pancreas. arXiv (Cornell University), 2018.

13. Phillip Isola, Jun-Yan Zhu, Tinghui Zhou, and Alexei A. Efros. Image-to-Image Translation with Conditional Adversarial Networks. arXiv (Cornell University), 2016.