KDDJun, 2024

RoutePlacer：基于图神经网络的端到端可布线感知布局器

PDF
TL;DRRoutePlacer 通过训练 RouteGNN（一个自定义图神经网络）来预测布局的可路由性，并在布局过程中实现端到端的可路由性优化，从而减少 Total Overflow 并提高布线质量。
placementroutabilityrouteplacerroutegnntotal overflow
发现论文，激发创造
  • 轻量级增强 Inception U-Net 神经网络用于布线可行性预测

    我们提出了一种新的 U-Net 变体模型，通过嵌入 Inception 模块来预测路由阻塞和设计规则检查热点，实验证明我们的方法在 Avg-NRMSE 指标上比经典结构分别实现了 5%（RC）和 20%（DRC） 的准确率提升，并且在 SSIM 度量标准上始终优于之前的模型。

    Feb, 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

  • 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

  • GDP: 数据流图的通用设备放置

    本文提出了一种端到端的基于图神经网络的可扩展顺序关注机制，并使用超前网络在每个独立图上进行微调，达到了优于人类专家和先前技术的 16% 平均改善和 15 倍更快的收敛速度，从而实现了有关大型神经网络和设备放置的计算成本和效率的突破。

    Sep, 2019

  • 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

  • 一种针对计算图学习设备放置的结构感知框架

    我们提出了一个基于强化学习的新框架，用于任务设备放置，该框架利用从 OpenVINO 工具包中提取的较小的计算图，包括图粗化、节点表示学习和策略优化等五个步骤，并结合了图表示学习和个性化图划分的模型变种，通过使用推荐设备放置的执行时间来制定奖励，多个实验表明该方法具有灵活性和有效性。

    May, 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

  • 探究图神经网络在 SDN 网络建模和优化中的潜力

    本文提出了一种基于图神经网络的网络建模技术，能够准确估计网络拓扑、路由和输入流量之间的复杂关系，从而优化网络性能，本技术对任意拓扑、路由和流量强度具有很好的泛化能力。

    Jan, 2019

  • SplitPlace: 移动边缘环境中大规模神经网络的 AI 增强分裂和放置

    这篇论文提出了一种基于强化学习的 AI 策略 SplitPlace，可以智能决策基于边缘计算的需求，采用分层或语义分割策略，对神经网络进行分割并将其部署在资源受限的移动边缘设备上，实现高效可扩展的计算。实验表明，SplitPlace 可以显著提高平均响应时间、截止日期违规率、推断准确度和总奖励达 46％，69％，3％和 12％。

    May, 2022

  • XRoute Environment：一种新型强化学习路由环境

    本研究提出了 XRoute 环境，使用增强学习来提高现代设计自动化流程中关键的 Routing 阶段的质量和效率，在全芯片测试基准中报告了两种广泛使用的增强学习算法（PPO 和 DQN）和一种基于搜索的算法（TritonRoute）的基线结果。

    May, 2023