使用深度强化学习进行芯片布局

Apr, 2020

Chip Placement with Deep Reinforcement Learning

Azalia Mirhoseini, Anna Goldie, Mustafa Yazgan, Joe Jiang, Ebrahim Songhori...

TL;DR本文提出了一种基于学习的芯片布局方法，使用强化学习将芯片画布上芯片网络节点的摆放视作问题，并训练代理人生成以往未见芯片块的优化布局，最终旨在最小化能耗、性能与面积（PPA）。实验结果表明，该方法可在 6 小时内生成可与人工专家相媲美的布局。

Abstract

In this work, we present a learning-based approach to chip placement, one of the most complex and time-consuming stages of the chip design process. Unlike prior methods, our approach has the ability to learn from

learning-based approach chip placement reinforcement learning neural architecture ppa

发现论文，激发创造

芯片设计中联合学习解决放置和路由问题

通过深度强化学习方法 DeepPlace 和 DeepPR，结合梯度优化和强化学习，编码输入宏单元的全局图层和本地节点层信息的多视图嵌入模型，并通过鼓励探索的随机网络蒸馏方法，有助于解决现代芯片设计过程中的放置和路由问题。

Oct, 2021

基于深度强化学习的 FPGA 分而治之布局

本文介绍了学习在可编程门阵列（FPGA）中放置逻辑块的问题和一种基于学习的方法，通过强化学习（RL）来最小化线长，同时提出了一种新颖的分解方法以解决在芯片上放置多个块时的大搜索空间问题。实证实验评估了学习和分解范式在 FPGA 放置任务中的有效性。

Apr, 2024

基于图表示的学习排序芯片排列顺序探索

提出一种基于学习排序网络的芯片组件布置方法，通过优化放置顺序以降低芯片间互连线长度和系统温度，从而显著改善芯片组件布置过程中的性能。

Apr, 2024

ChiPFormer 离线决策 Transformer 实现可转移的芯片布局

ChiPFormer 是一种离线强化学习算法，通过学习固定数据集，实现在芯片设计中的可转移放置策略，该算法不仅在多任务设置下更有效地利用了离线布局设计以学习可转移的策略，而且对于未知的芯片电路，有效的 fine-tuning 可将放置时间从几小时缩短至几分钟，在 32 个芯片电路的实验中，ChiPFormer 不仅大大提高了放置质量，而且相比最近的最先进技术，还将运行时间缩短了 10 倍。

Jun, 2023

芯片布局的灵活多目标强化学习

本文提出一种灵活的多目标强化学习方法 (MORL)，使用单个预先训练的模型来支持具有推理时间变量权重的目标函数，并成功地将其应用于芯片布局中，有效地生成多个目标的 Pareto 前沿。

Apr, 2022

基于强化学习的人类约束下的直角宏放置

该研究提出了一种利用 Google 的电路训练方法 (G-CT) 的方法，提供了一种基于学习的宏放置器，不仅支持放置矩形案例，而且遵循重要的人类设计原则，实验证明了该框架在实现功耗 - 性能 - 面积（PPA）指标上的有效性和与人工干预产生的高质量放置的可比性，并且该方法显示出解决不同宏形状和布局区域的潜力。

Nov, 2023

设备放置优化与强化学习

本文提出了一种使用序列到序列模型来预测 TensorFlow 计算图中哪些操作应该在哪些可用设备上运行的方法，并以预测的放置方式的执行时间作为奖励信号来优化序列到序列模型参数，结果表明在基于 Inception-V3 的 ImageNet 分类和基于 RNN LSTM 的语言建模和神经机器翻译的任务中，使用该模型能够发现优于手动设置和传统算法方法的设备放置方案。

Jun, 2017

RLPlanner：基于强化学习的芯片组快速热分析平面布局

基于片上系统的早期平面布局工具 RLPlanner 引入了一种新颖的快速热评估方法，利用先进的强化学习方法共同最小化总线长度和温度。RLPlanner 结合快速热评估方法，在类似的运行时间内，相比于经典的模拟退火方法 HotSpot，平均提升了 20.28% 的目标优化效果（联合考虑线路长度和温度）

Dec, 2023

虚假黎明：重新评估谷歌用于芯片宏放置的强化学习

谷歌在《自然》杂志上发表的物理硅芯片设计强化学习研究存在方法和结果不当的质疑，两项独立评估显示，它表现远不及人类设计师、著名模拟退火算法和一般可获得的商业软件，而且《自然》论文真实性受到了错误行为、分析和报告的破坏。

Jun, 2023

基于领域知识的深度强化学习自动模拟电路设计

本研究介绍了基于深度强化学习、图模型策略网络和模拟电路设计领域知识的自动设计方法，以加快模拟电路的设计。该方法在电路参数和设计目标之间建立关系，实现了 99% 的设计准确率和 1.5 倍的效率提升，并支持不同半导体技术的模拟电路设计。

Feb, 2022