Оценка паразитной ёмкости цепей и быстродействия блока СБИС с помощью машинного обучения на этапе размещения

В работе рассматривается решение задачи предсказания паразитной ёмкости цепей при проектировании цифровых блоков СБИС до этапа трассировки на основе данных о размещении стандартных ячеек. Реальные значения паразитной ёмкости могут быть получены только после детальной трассировки и экстракции паразитных параметров в специализированном САПР, что занимает длительное время и не позволяет на раннем этапе проектирования точно оценить быстродействие блока. Классические методы оценки ёмкости не позволяют достичь баланса между точностью модели и времязатратами. В работе для решения этой задачи предложен ряд моделей машинного обучения (МО): многослойные линейные регрессионные модели с одним выходом и реализующие многозадачную регрессию, а также модели на основе градиентного бустинга над решающими деревьями – XGBoost и CatBoost. Для обучения и валидации моделей был собран набор данных, содержащий признаки и метки цепей, полученных из топологии 35 блоков по техпроцессу 40 нм. При обучении моделей использовалась кросс-валидация, метрики точности – MAE, MAPE и коэффициент детерминации R². Наибольшую точность продемонстрировала модель XGBoost_M_A на основе градиентного бустинга в режиме мультизадачной регрессии – MAE 0,57 фФ, MAPE 10,3%, что на порядок ниже ошибки, полученной классическим методом на основе Wireload-модели. Среднее ускорение получения паразитных параметров по сравнению с эталонным методом после трассировки – 90 раз. Предсказанные ёмкости цепей были использованы для оценки финальной частоты блока на этапе размещения – точность оценки составила 99,1%, а среднее ускорение расчёта в 86 раз по сравнению с оценкой после проведения детальной трассировки. Предложенные методы на основе машинного обучения позволяют с высокой точностью и скоростью оценить на раннем этапе проектирования паразитные ёмкости цепей, а также оценить частоту работы блока СБИС.

1. Bhasker J., Chadha R. Static timing analysis for nanometer designs: A practical approach. Boston: Springer Science & Business Media, 2009, 572p.

2. Windschiegi A., Zuber P., Stechele W. A wire load model for more accurate power estimation // The 2002 45th Midwest Symposium on Circuits and Systems, 2002. MWSCAS-2002. Tulsa, OK, USA: IEEE, 2002. С. I-376– I-9.

3. Kahng A. B., Spyrou T. The OpenROAD project: Unleashing hardware innovation. In Proc. GOMAC, 2021, pp. 1-6.

4. Shen S. и др. Deep-Learning-Based Pre-Layout Parasitic Capacitance Prediction on SRAM Designs, 2025. Available at https://arxiv.org/pdf/2507.06549, accessed 18.02.2026.

5. Dogan E., Guthaus M. R. Effective Capacitance Modeling Using Graph Neural Networks, 2025. Available at https://arxiv.org/pdf/2507.03787, accessed 18.02.2026.

6. OpenABC Project, “OpenABC: Automated Block-Level RTL Synthesis Flow,” GitHub repository, https://github.com/NYU-MLDA/OpenABC, accessed Dec. 10, 2025.

7. OpenCores, “OpenCores — Open Source Hardware IP Cores,” https://opencores.org/, accessed Dec. 10, 2025.

8. B. Akhshalipour, “NoC-Verilog: Network-on-Chip Verilog RTL Models,” GitHub repository, https://github.com/bakhshalipour/NoC-Verilog, accessed Dec. 10, 2025.

9. Chen T., Guestrin C. Xgboost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining, 2016, pp. 785-794.

10. Prokhorenkova L. et al. CatBoost: unbiased boosting with categorical features. Advances in neural information processing systems, 2018, vol. 31.

11. N. Zheludkov, “ML-Based Estimation of Interconnect Capacitance,” GitHub repository. https://github.com/NZheludkov/ML-Based-Estimation-of-Interconnect-Capacitance. Accessed: Dec. 10,2025.

12. Bengio Y., Grandvalet Y. No Unbiased Estimator of the Variance of K-Fold Cross-Validation. Journal of Machine Learning Research, 2004, vol, pp. 1089–1105.

13. Kingma D. P., Ba J. L. Adam: A method for stochastic optimization, 2014. Available at https://arxiv.org/pdf/1412.6980, accessed 05.11.2025.

14. Loshchilov I., Hutter F. Decoupled weight decay regularization, 2017. Available at https://arxiv.org/abs/1711.05101, accessed 05.11.2025.

15. De Amorim L. B. V., Cavalcanti G. D. C., Cruz R. M. O. The choice of scaling technique matters for classification performance. Applied Soft Computing, 2023, vol. 133, pp. 109924.