一种应用机器学习方法提高全局路由与详细路由之间时序一致性

May, 2023

一种应用机器学习方法提高全局路由与详细路由之间时序一致性

A Machine Learning Approach to Improving Timing Consistency between Global Route and Detailed Route

Vidya A. Chhabria Wenjing Jiang Andrew B. Kahng Sachin S. Sapatnekar

TL;DR本文提出基于机器学习的模型，通过设计结构的 parasitic estimation 和 timing estimation，实现在 post-global routing 优化过程中，达到提高电路性能的目的。经实验证明，该模型可应用于不同设计并可开展大规模实验评估，对于设计算法可以被采用作为完整性检查或 ECO 后流优化方法。

Abstract

Due to the unavailability of routing information in design stages prior to detailed routing (DR), the tasks of timing prediction and optimization pose major challenges. Inaccurate →

timing prediction optimization machine learning post-global routing parasitic estimation

发现论文，激发创造

预排序图神经网络进行时序预测：全局电路预训练，局部延迟学习与注意力单元建模

提出了一个预测预路由时间的两阶段方法，首先进行全局电路训练以从电路网表中学习全局图嵌入，然后使用一种新颖的节点更新策略进行消息传递，同时通过注意力机制提取每个单元内的查找表信息，实现了在大规模电路中的高效计算和显著优于以往方法的松弛度预测性能。

Feb, 2024

高层次综合中基于 GNNs 的层次化源到后路 QoR 预测

高层次综合通过避免 RTL 编程显著加速了硬件设计过程。然而，当考虑了后布线结果质量（QoR）时，高层次综合的周转时间显著增加。为了解决这个问题，我们提出了一种用于 FPGA 高层次综合的分层后布线 QoR 预测方法，它具有：（1）一种从 C/C++ 程序直接估计延迟和后布线资源使用的建模流程；（2）一种有效表示源代码的控制流图和数据流图以及高层次综合指令的影响的图构建方法；（3）一种能够捕捉循环层次影响的分层 GNN 训练和预测方法。实验结果表明，我们的方法对于不同类型的 QoR 指标的预测误差小于 10%，相比于最先进的 GNN 方法有了巨大的改进。通过采用我们提出的方法，高层次综合中的设计空间探索运行时间缩短到了几十分钟，平均实现的 ADRS 值降低到了 6.91%。

Jan, 2024

学习驱动的物理感知大规模电路门尺寸调整

我们提出了一种基于学习驱动的物理感知门尺寸调整框架，以有效地在大规模电路上优化时序性能。通过在多个时序路径上学习时序信息和多个尺寸布局上学习物理信息，我们的研究实现了多模态门尺寸感知时序模型，并通过梯度下降优化和自适应反向传播更新门尺寸，取得了与商业门尺寸工具相比更高的时序性能改善和更快的速度。

Mar, 2024

DG-RePlAce：数据流驱动的 GPU 加速机器学习加速器分配框架

本研究提出了一种基于 GPU 加速和 OpenROAD 基础设施的快速全局布局框架 DG-RePlAce，通过利用机器学习加速器的固有数据流和数据路径结构，实现了路由线长度减少 10％（7％）和总负预留时间减少 31％（34％），并且全局布局速度更快，总运行时间与 DREAMPlace 相当。实证研究还表明，对于机器学习加速器，相较于 RePlAce 和 DREAMPlace，在后续路由中的改进效果可能超出原始应用。

Mar, 2024

利用强化学习进行 IR 感知的 ECO 时序优化

工程变更订单（ECOs）通过集成 IR-drop 感知时序分析和强化学习（RL）优化方法，在物理设计和功率网格综合后通过门尺寸调整来修复由 IR-drop 引起的时序退化，以保持时序改进的性能，具有良好的可迁移性。

Feb, 2024

路由网络延迟估计的开放世界学习图卷积方法

本文提出了一种基于图神经网络的方法，较之传统深度学习方法，更能准确地建模网络路由，进行路由网络配置预测和时延估计。同时，该方法还具有较强的泛化能力，并能跨越不同网络规模和配置，更好地适应开放性预测需求。

Jul, 2022

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

RouteNet：基于图神经网络的 SDN 网络建模和优化

这篇论文提出了一种基于图神经网络（GNN）的网络模型 RouteNet，该模型通过学习和建模图结构信息，理解拓扑、路由和输入流量之间的复杂关系，从而准确预测网络中的表现指标，并且可以泛化到任意拓扑、路由和流量强度，可以应用于路由优化和网络规划等多个领域。

Oct, 2019

基于探测车辆数据的交通信号定时预测的机器学习方法

本文介绍了一种使用机器学习方法从车辆探测数据中估计交通信号灯定时信息的方法。研究开发了一种极端梯度提升模型来估计信号灯周期长度，并使用神经网络模型来确定对应的红灯时间。通过计算周期长度和红灯时间，可以导出绿灯时间。实验结果表明，周期长度的预测误差小于 0.56 秒，红灯时间的预测误差平均为 7.2 秒。

Aug, 2023

全局路径规划的深度强化学习方法

本文提出了一种基于深度强化学习的全局路由方法，该方法可以在模拟环境中生成优化的路由策略，与传统的基于贪心算法的方法相比，该方法具有更高的灵活性和更优的效果，为未来数据驱动的路由方法的培训数据集和生成不同规模和约束条件的参数化全局路由问题集合提供了可能性。

Jun, 2019