布局布线
文章平均质量分 95
芯片布局布线现有方案
Namnan
欢迎交流,批评指正
展开
-
TOFU: A Two-Step Floorplan Refinement Framework for Whitespace Reduction
平面规划作为实体设计的早期步骤,将极大地影响后期阶段的PPA。为了在保持相对相同的芯片尺寸的同时实现更好的性能,所生成的布图规划的利用率需要高,并且应当遵守与设计规则、可布线性、功率相关的约束。在本文中,我们提出了一个两步的框架,称为TOFU,平面图的空白减少固定轮廓和软/预置/硬模块建模。首先通过迭代地细化模块的位置来减少空白。然后,靠近空白的模块将被改变成直线形状,以进一步提高利用率。为了保证中间布图规划在精化过程中的合法性和质量,提出了一种基于约束图的合法化器和一种新的约束图构造方法。原创 2024-01-30 14:42:29 · 860 阅读 · 0 评论 -
Floorplanning with Graph Attention
布图规划一直是一个关键的物理设计任务,具有很高的计算复杂度。它的主要目标是确定初始位置的宏和标准单元与优化的线长为给定的面积约束。本文介绍了Flora,一个基于图形注意力的布图规划器,学习电路连接性和物理线长之间的优化映射,并使用高效的模型推理产生芯片布图规划。植物群已与两个最先进的混合放置工具整合。使用学术基准和工业设计的实验研究表明,与最先进的混合尺寸放置器相比,Flora将放置运行时间提高了18%,平均线长减少了2%。在超大规模集成电路芯片的物理实现中,芯片布图规划一直是一项关键且具有挑战性的任务。原创 2023-10-07 15:16:47 · 1932 阅读 · 1 评论 -
GraphPlanner: Floorplanning with Graph Neural Network
在超大规模集成电路芯片的物理实现中,芯片布图规划一直是一项具有高计算复杂度的关键任务。它的主要目标是以最小的线长确定大芯片模块的初始位置,同时坚持密度约束,这在本质上是一个过程,构建一个优化的映射从电路连接到物理位置。芯片布图规划是一个NP难题,很难用算法有效地解决。本文介绍了GraphPlanner,这是一种用于芯片布局规划的基于变分图卷积网络的深度学习技术。GraphPlanner能够学习电路连接性和物理线长之间的优化和广义映射,并使用高效的模型推理生成芯片布图规划。原创 2023-07-10 11:30:33 · 427 阅读 · 0 评论 -
GoodFloorplan: Graph Convolutional Network and Reinforcement Learning-Based Floorplanning
一种基于端到端学习的布图规划框架GoodFloorplan来探索设计空间,该框架结合了图卷积网络(GCN)和RL。原创 2023-06-07 15:41:36 · 632 阅读 · 0 评论 -
MacroRank: Ranking Macro Placement Solutions Leveraging Translation Equivariancy
现代大规模设计广泛使用异构宏,这会显著影响可布线性。在早期宏布局阶段预测最终布线质量可以过滤掉差的解决方案并加速设计闭合。通过观察路由与元器件之间的相对位置之间的关系,提出了一种利用平移等方差和学习排序技术的宏布局排序框架–MacroRank。该框架能够学习宏布局解决方案的相对顺序,并基于布线质量指标(如线长、通孔数量和短路数量)对它们进行排序。原创 2023-03-15 20:13:05 · 277 阅读 · 1 评论 -
The Policy-gradient Placement and Generative Routing Neural Networks for Chip Design
用于芯片设计的策略梯度布局和生成式路由神经网络原创 2023-03-02 10:17:38 · 300 阅读 · 0 评论 -
Routability-Driven Macro Placement with Embedded CNN-Based Prediction Model
一个芯片设计只有通过设计规则检查(DRC)后才能被贴出。设计复杂度严重恶化了设计可路由性,这可以用详细路由阶段之后的DRC违规次数来衡量。此外,由于知识产权的广泛使用,现代大型设计通常由许多巨大的宏组成。根据经验,宏的布局在很大程度上决定了可路由性,但由于单元布局和路由的复杂性和不可预测性,目前还没有一个有效的成本指标来直接评估宏布局。在本文中,我们提出了第一个基于深度学习的宏布局方法RoutabilityDriven。原创 2023-02-15 15:21:01 · 928 阅读 · 0 评论 -
Standard Cell Routing with Reinforcement Learning and Genetic Algorithm in Advanced Technology Nodes
这个工作最大的特点是把强化学习和遗传算法结合起来,解决布局布线问题中不同需求。原创 2023-02-10 15:30:17 · 327 阅读 · 0 评论 -
Towards Machine Learning for Placement and Routing in Chip Design: a Methodological Overview
布局和布线是现代芯片设计流程中两个不可缺少且具有挑战性的任务(NP-hard)。与使用启发式或专家精心设计的算法的传统求解器相比,机器学习以其数据驱动的特性显示出了很好的前景,它可以减少对知识和先验的依赖,并通过其先进的计算范式(例如带有GPU加速的深度网络)具有潜在的更大的可扩展性。本调查首先介绍了布局和路由的基本知识,并简要描述了经典的免学习求解器。然后,我们对机器学习在布局和布线方面的最新进展进行了详细的评述。最后,我们讨论了未来研究的挑战和机遇。原创 2023-02-12 15:25:33 · 429 阅读 · 0 评论 -
On Joint Learning for Solving Placement and Routing in Chip Design
在这个工作中,作者提出了一种基于布局和路由的端到端学习模式。对于宏的布局,采用了强化学习的方法;对于比较繁琐的标准单元布局,采用了基于梯度的优化技术。同时将布线(路由)也纳入强化学习对布局布线进行联合求解,这是区别于之前先布局再布线的的方法。主要的创新点有:1.提出了基于双视图(布局图和布线图)来融合和嵌入全局和局部的信息;2.设计了基于蒸馏方法的奖励策略,提高了搜索的效率。原创 2023-02-09 16:50:17 · 631 阅读 · 0 评论