2023 ICCAD problem C翻译

1.介绍

​ 电力传输网络（PDN）分析是集成电路设计闭环成功的关键，特别是对于遭受电线寄生量大，功率密度大的较低技术节点上实现的设计。片上PDN负责在设计中向每个单元传输电压和电流。然而，由于PDN中的寄生现象，在设计中的power pads和cells之间引起了电压降。PDN的大电压下降会损害芯片的性能，在最坏的情况下，也会损害它的功能。因此，必须检查PDN中最坏情况下的电压下降值是否在指定的范围内。

​ 片上PDN的结构如图1(a).

​ PDN可以建模为电压源、电流源和电阻的网络，其中导线是电阻网络，power pad（C4 bump）是连接到PDN导线的电压源，电流源是如图1所示的(b)吸引电流的单元/实例

​ 电压降模拟的目标是找到连接到instances（电流源）的PDN节点上的电压。传统上，在每个节点上找到电压相当于求解一个以𝐺𝑉=𝐽形式的线性方程组，其中𝐺是一个电导矩阵，𝑉是未知的电压矢量，𝐽是电流的矢量[1]。然而，用数百万个PDN节点来计算这个方程组是非常昂贵的

​ 这次比赛旨在利用机器学习（ML）技术绕过静态电压降的计算挑战。ML算法以前在解决这个问题上取得了一些成功。在这种情况下，该比赛旨在实现三个目标：

​ 1)通过将一个传统的EDA问题转换为一个ML可解决的问题，并鼓励使用新的ML技术来提高准确性，从而降低了非EDA专家的进入障碍。

​ 2)探索使用迁移学习来解决EDA社区中有限的数据集问题。

​ 3)建立一种最先进的ML模型来进行电压降预测。

竞赛目的：参赛者需要训练一个ML模型来预测尽可能准确的静态电压降（平均绝对误差MAE）和对推理运行时间和模型大小最小的测试数据的F1分数。

2.背景

芯片间的静态电压降分布取决于以下三个因素：

1）设计中所有电压源（power pads）的位置/分布

2）PDN的拓扑结构和网络中每个电阻（通过/金属层）的电阻值

3）设计中电流源（功率）的分布

​ 先前的ML技术已经将上述输入建模为图像[2,3,6]，并使用基于图像的ML模型来预测电压降。例如，[2]将上述三个特征表示为三个分布，其中d电流源分布被建模为电流图（图2(a)）；将PDN拓扑建模为不同区域电网密度（单位面积功率条纹间距）的函数（图2(b)），将电压源分布建模为有效距离图，即每个PDN节点到具有电压源的PDN节点的距离（图2©）。输出是PDN最底层每个节点的IR下降分布，可以表示为IR下降图（图2(d)）。使用这种基于图像的表示，先验技术已经使用CNNs和U-Nets，使用在不同的数据点集（三个输入和一个输出）上训练的模型来执行电压降预测。经过训练的ML模型可以对看不见的测试用例执行推理。

​ 虽然这些技术取得了成功，但另一个潜在的挑战——没有足够的训练数据来构建这些模型。[8]的工作使用生成对抗模型来生成数千张虚假但真实的当前地图。随着黄金地面真相开源𝐺𝑉=𝐽静态红外下降求解器的可用性，[8]可以创建一个大型的训练数据集，用于针对不同配置的电网和电压源的静态电压降问题的训练数据集。

​ 在这次比赛中，我们将利用来自[8]的假数据集来创建一个大型的训练数据集，并对真实电路设计进行测试（推理）。在训练数据集中也会有一些真实电路的数据点。一种建议是使用迁移学习，使用假数据训练初始模型，使用真实电路训练数据微调权重，然后在验证数据（仅限真实电路数据）上对模型进行测试。

​ 在这次比赛中，我们将利用来自[8]的假数据集来创建一个大型的训练数据集，并对真实电路设计进行测试（推理）。在训练数据集中也会有一些真实电路的数据点。一种建议是使用迁移学习，使用假数据训练初始模型，使用真实电路训练数据微调权重，然后在验证数据（仅限真实电路数据）上对模型进行测试。

3.输入和输出格式

我们将以两种格式提供数据：

​ (a)基于图像的输入和输出：这些是三个输入和电压降输出的直接基于图像的表示，如第2节所述。这些数据可以作为应用与图像相关的ML模型（如cnn、U-Nets等）的直接数据集。

​ (b)基于SPICE（集成电路专用模拟程序）的输入和输出为PDN的详细结构和附加特性：这些是SPICE网列表，也提供了PDN电阻网络中的每个电阻器的值。这些输入可以用于创建基于图形的ML模型（如GNN、gcn等）。

(a)基于图像的数据：

基于图像的数据将以.csv格式作为矩阵提供，其中文件中的每个值表示以矩阵表示的芯片的当前、有效距离、PDN密度矩阵中的PDN节点的电压降（注意，比最底层的PDN节点间距要大）

E.g.：一个80um X 80um面积的芯片将由current_map.csv中的80x80值组成

上述矩阵可以表示为一个80x80的图像，其中每个像素表示一个1um x 1um区域中的电流。类似的格式用于其他输入effective_distance.csv，pdn_density.csv和输出voltage_map.csv相应的voltage_map.csv

示例输入特征和输出标签（在.csvs中绘制提供的矩阵）如图2所示。

数据集及其在所提供的基准测试中的多样性：

矩阵的大小可以在不同的数据集中有所不同，因为它们代表不同大小的芯片。然而，单个数据点将具有相同大小的所有四个矩阵（电流、PDN、电压源和电压降）。

(i)当前地图：不同热点位置的最大值、平均值和峰值都会有所不同

(ii) PDN密度图：PDN将是一个区域级均匀的PDN，其中在一个特定的模具区域的密度是恒定的。每个区域可以使用三种可能的密度中的一种。在整个训练和测试数据集上，所有的数据点都将使用在不同区域[3]中的三个PDN密度的组合。

(iii) 到电压源的有效距离图：电压源的数量可以变化，电压源的分布也可以在整个模具上变化。

(iv)电压降图：这些是用[8]求解𝐺𝑉=𝐽线性方程组得到的地面真实输出电压。

(b)基于SPICE的数据：

除了上述数据外，对于每个数据点，我们还提供了如图1.(b)所示的PDN模型作为SPICE网表。SPICE网列表编码节点位置、节点之间的电阻值、当前源节点及其位置，以及电压源节点和位置。下面描述了以下SPICE网列表片段：

在上面的例子中，R646是via，因为它们共享相同的x和y坐标，但是层改变了。I7是连接到位置节点（113400、179200）处的电流源，V0是节点（81000、106230）处的电压源。SPICE中的位置是以纳米为单位的。

SPICE网列表包含了这三个特性所需的所有信息，电压降的标签是csv的形式，如前面基于图像的数据部分所述。

所需输出格式：

为了进行公平的评估，所有参赛者必须生成与输入矩阵相同大小的电压降矩阵（.csv）的输出（即使这些特征来自于SPICE网表，而不是基于图像的数据）。

4.评价

参赛者将接受训练（数百个假数据点和少量真实电路数据点）和验证（少量真实电路数据点）。然而，参赛者的ML模型将在一个看不见的测试数据集（真实的电路数据）上进行评估，并将根据以下指标进行评估：

（a）平均绝对误差（MAE）：计算数据集中每个例子的预测和实际值之间的绝对差的平均值。目标是有一个较低的MAE。

（b）F1评分：一个二元分类度量，使用每个基准的最大电压降的10%作为阈值，来确定哪些电压降在前10%。

正类是电压降前10%的节点。我们的目标是要有一个很高的F1分数。

​ ©运行时间：ML模型的推理时间。其目标是拥有较低的运行时间。

​ (d)模型的大小：ML模型中可训练参数的数量。其目标是在ML模型中使用很少的参数。

总体分数是MAE、F1分数、推理运行时和模型大小的函数，这些分数将很快更新。

5.平台和gpu的访问

更多关于访问谷歌云的信息将很快提供给参赛者

6.参考文献

[1] Y. Zhan, S. V. Kumar, and S. S. Sapatnekar, “Thermally-aware design,” Found. Trends Electron. Des.

Automat., vol. 2, no. 3, pp. 255–370, March 2008.

[2] V. A. Chhabria, V. Ahuja, A. Prabhu, N. Patil, P. Jain, and S. S. Sapatnekar, “Thermal and IR Drop

Analysis Using Convolutional Encoder-Decoder Networks,” Proceedings of Asia and South Pacific

Design Automation Conference (ASP-DAC), 2021.

[3] Chia-Tung Ho and Andrew B Kahng. “IncPIRD: Fast Learning Based Prediction of Incremental IR

Drop,” in the IEEE/ACM International Conference on Computer-Aided Design (ICCAD). 2019.

[4] Zhiyao Xie, Haoxing Ren, Brucek Khailany, Ye Sheng, Santosh Santosh, Jiang Hu, and Yiran Chen,

“PowerNet: Transferable Dynamic IR Drop Estimation via Maximum Convolutional Neural Network” in

Asia and South Pacific Design Automation Conference (ASP-DAC), 2020.

[5] Chi-Hsien Pao, An-Yu Su, and Yu-Min Lee, “XGBIR: An xgboost-based IR drop predictor for power

delivery network,” Design, Automation & Test in Europe Conference & Exhibition (DATE), 2020.

[6] V. A. Chhabria, Y. Zhang, H. Ren, B. Keller, B. Khailany, and S. S. Sapatnekar, “MAVIREC:

ML-Aided Vectored IR-Drop Estimation and Classification,” Proceedings of Design, Automation, and

Test in Europe (DATE), 2021.

[7] V. A. Chhabria, A. B Kahng, M. Kim, U. Mallappa, S. S. Sapatnekar, and B. Xu, “Template-based

PDN Synthesis in Floorplan and Placement Using Classifier and CNN Techniques,” Proceedings of Asia

and South Pacific Design Automation Conference (ASP-DAC), 2020.

[8] V. A. Chhabria, K.Kunal, M. Zabihi, and S. S. Sapatnekar, “BeGAN: Power Grid Benchmark

Generation Using a Process-portable GAN-based Methodology,” Proceedings of IEEE/ACM International

Conference On Computer Aided Design (ICCAD), 2021.

[9] V. A. Chhabria and S. S. Sapatnekar, “PDNSim,” 2021, https://github.com/The-OpenROAD-Project/

OpenROAD/tree/master/src/psm