Net2 A Graph Attention Network Method

$Ne{t}^2$: A Graph Attention Network Method Customized for Pre-Placement Net Length Estimation

论文地址：https://arxiv.org/pdf/2011.13522.pdf
代码：无

net length是优化标准数字设计过程每个阶段的时序和功耗的关键指标。然而，大多数net length的信息在单元布局之前是不可用的，因此在布局前的设计阶段(如逻辑综合)明确考虑net length优化是一个重大挑战。这项工作通过提出一种定制的图注意网络方法(称为$Ne{t}^2$)来解决这一挑战，该方法在单元放置之前估计单个网络的长度。其面向精度的版本$Ne{t}^{2a}$在识别长网络和长关键路径方面的准确率比以前的努力高出约15%。其快速版$Ne{t}^{2f}$比布局快1000倍以上，但在各项精度指标上仍优于前人的工作和其他神经网络技术。

构造有向图

5 nets { n 1 , n 2 , n 3 , n 4 , n 5 } \{n_1,n_2,n_3,n_4,n_5\} {n1​,n2​,n3​,n4​,n5​} and 11 cells { c A , c B , … , c K } \{c_A,c_B,\dots,c_K\} {cA​,cB​,…,cK​} . 对$n_3$包含3个cells { c D , c G , c H } \{c_D,c_G,c_H\} {cD​,cG​,cH​},称为3-pin net。driver为cell$c_D$,sinks为cells { c G , c H } \{c_G,c_H\} {cG​,cH​}. $n_3$的driver的area（所在区域还是面积？）称为 $a_{dri}^3$. $n_3$ 的 fan-in N i n 3 = { n 1 , n 2 } N^3_{in}=\{n_1,n_2\} Nin3​={n1​,n2​}, fan-out N o u t 3 = { n 4 , n 5 } N_{out}^3=\{n_4,n_5\} Nout3​={n4​,n5​}.

每个net只有一个driver，可有多个sinks。

directed graph的构建根据net为节点（以往研究以cell为节点），每个net通过共享的cell构成有向边。

net length 是训练和预测的标签。每个net length是放置后网的包围框的半周长。

算法

节点特征

节点特征包含：

1. 基础信息：driver’s area、fan-in and fan-out size { ∣ N i n k , ∣ N o u t k ∣ , a d r i k } \{|N_{in}^k,|N_{out}^k|,a^k_{dri}\} {∣Nink​,∣Noutk​∣,adrik​} .
2. 考虑所有fan-in邻居节点和fan-out邻居节点的fan-in和fan-out size（步骤4-5）；所有fan-out邻居节点的driver’s area（步骤6）
   

边特征

上面的节点特征已经包含了2-hop的领域信息。边特征用来捕获全图的全局信息。做法如下：

1. 对net和cell组成的graph分别使用划分（聚类）算法，$M$代表使用$hMETIS$ 算法对net graph划分的结果；$P$代表对cell graph划分的结果。
   

$Ne{t}^2$ 模型

快速版本$Ne{t}^{2f}$

使用GAT，不考虑边特征，且拼接每层的节点嵌入：
，最后使用MLP

精度版本$Ne{t}^{2a}$

考虑边特征。对有向边$n_b\to n_k$:

以此作为初始特征，使用GAT进行迭代：

这样特征就同时考虑了节点和边特征，MLP层的输入为：

实验

实验设置

数据集： 利用7中design方式，每种方式生成10个netlists，每个netlists的统计信息如表2。

训练：测试1-design中10个netlists分类性能时，使用其余-design中的60个netlists作为训练样本

参数配置：3-layer GNN， 2-layer ANN

基准模型：MC , ISPL, and Poly， ANN (MC:一阶邻居；ISPL：可捕获多阶；Poly、ANN：二阶邻居)

Correlation on Net Length

这节是为了测量预测值与真实值之间的相关系数。

首先只选取每个数据集中net length 长度为前95%的样本；然后，将样本的范围划分为20个相等的bins，并计算每个bin中预测和标签的平均值。图4显示了这20个平均预测与标签之间的相关系数

Identifying Long Nets

这节为了测试模型在预测长net length 时的性能。（二分类）

选了每个netlists中最长的10%的net，附以标签为真，其余90%为假，通过AUROC测量准确率。每个design的准确率=其10个netlists的均值。由于cell多的nets通常更长，故增加通过计算cell数量来判断net length的方法来作为基准

Results on Path Length Estimation

在许多EDA工具中，预置时序报告不包括布线延迟，这阻碍了在早期准确识别关键路径。net length估计的一个应用是预测任意给定路径的长度，该长度与路径上的放置后导线延迟相关。path length被定义为该路径上所有网络上的网络长度的总和。

为了验证模型在path length上的性能，对于每个netlists，我们根据预布局定时报告收集定时关键路径。此阶段的报告仅包括信元延迟。这条道路的松弛必须是负的。在这些路径中，考虑到放置后的布线延迟，较长的路径对时序更为关键。因此，我们应用模型来识别那些最长的关键路径。估计的path length是路径上的所有网络之间的预测网络长度的总和。

​ 识别10%最长path的AUROC结果：

为了测量模型在比较任意一对路径时，能够识别出最长的那条路的能力。为了避免在长度相似的路径之间进行无意义的比较，对于每个路径，将它与netlist中比它长或短30%的所有路径进行比较。结果如下：

Runtime Comparison

$Ne{t}^{2a}$需要额外的计算Partition的运行时间；$Ne{t}^{2a}$比placement快十倍以上，并且可通过使用稀疏partition方法来进一步在larger designs上缩短时间。

$Ne{t}^{2f}$比placement快一千倍以上。

DISCUSSION

$Ne{t}^{2a}$的哪个策略发挥了作用。通过分解模型，测量识别最长10%的net length和path length性能。

“Edge ANN”: 使用edge feature 不适使用GNN；将edge feature聚合到目标节点上，与节点特征一起进行人工神经网络处理。

"Simple Net": 使用简单的GNN结构，节点卷积只使用一层GAT，边卷积只考虑边特征，且只包含一层权重

注：这是原始的：

不考虑边特征时，“Edge ANN”和"Simple Net"的感受野分别减少到2和3-hop。

进一步，为了分析不同的边特征对模型的贡献。‘F0 Net’, ‘F1 Net’ and ‘F2+f 3 Net’ 分别表示只使用 $F0,F1,F2\&f3$。‘Less 𝑃 Net’ 表示使用简单但是速度较快的partition P（for cell graph）