Графовые нейронные сети и их применение при проектировании цифровых СБИС
Аннотация
В статье рассматривается метод машинного обучения на графах, представлены архитектуры современных графовых нейронных сетей, а также их применение для решения задач проектирования цифровых СБИС, в особенности при размещении стандартных ячеек на этапе топологического проектирования. Решение данной задачи с помощью методов машинного обучения является актуальной проблемой, так как стандартные алгоритмы размещения, используемые в современных САПР, сталкиваются со сложностями при работе с цифровыми схемами, число логических элементов в которых достигает 106 и более. Это приводит к длительному времени работы и неоптимальности полученных результатов по параметрам занимаемой площади и энергопотребления проектируемой СБИС.
Об авторах
Н. В. Желудков
ФГУ ФНЦ НИИСИ РАН
Россия
Россия
Москва
К. А. Петров
ФГУ ФНЦ НИИСИ РАН
Россия
Россия
Москва
Список литературы
1. W.L. Hamilton, R. Ying, J. Leskove. Representation Learning on Graphs: Methods and Applications. «Bulletin of the IEEE Computer Society Technical Committee on Data Engineering», Vol. 40 (2017), №3, 52-74.
2. M.M. Bronstein, J. Bruna, Y, LeCun, A.Szlam. Geometric Deep Learning: Going beyond Euclidean data. “IEEE Signal Processing Magazine”, Vol. 34 (2017), №6, 18-42.
3. T.N. Kipf, M. Welling. Semi-supervised Classification with Graph Convolutional Networks. “5th International Conference on Learning Representations 2017”, France, Toulon, ICLR, 2017, 66-80.
4. W.L. Hamilton. Graph Representation Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, Vol. 14 (2019), №3, 1-159.
5. G. Huang, J. Hu, Y. He. Machine Learning for Electronic Design Automation: A Survey. “ACM Transactions on Design Automation of Electronic Systems”, Vol. 26 (2021), №5, 1-46.
6. Y. Zhang, M. Ren, B. Khailany. GRANNITE: Graph neural Network Interference for Transferable Power Estimation. “Design Automation Conference (DAC) 2020”, USA, San Francisco, IEEE, 2020.
7. V. Zhang, M. Ren, B. Keller, B. Khailany. MAVIREC: ML-Aided Vectored IR-Drop Estimation and Classification. “Design, Automation & Test in Europe Conference & Exhibition, 2021”, France, Grenoble, 2021, IEEE, 2021.
8. M. Ren, G. Kokai, W. Turner, T. Ku. ParaGraph: Layout Parasitics and Device Parameter Prediction using Graph Neural Networks, “Design Automation Conference (DAC) 2020”. USA, San Francisco, IEEE, 2020.
9. R. Kirby, S. Godil, R. Roy, B. Catanzaro. CongestionNet: Routing Congestion Prediction Using Deep Graph Neural Networks. “IFIP/IEEE 27th International Conference on Very Large Scale Integration (VLSI-SoC) 2019”, Peru, Cuzco, IEEE, 2019.
10. Y. Lu, S. Pentapati, S.K. Lim. VLSI Placement Optimization using Graph Neural Networks. “IEEE/ACM International Conference On Computer Aided Design (ICCAD)”, USA, San Diego, 2020.
Рецензия
Для цитирования:
Желудков Н.В., Петров К.А. Графовые нейронные сети и их применение при проектировании цифровых СБИС. МАТЕМАТИЧЕСКОЕ И КОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕ СЛОЖНЫХ СИСТЕМ: ТЕОРЕТИЧЕСКИЕ И ПРИКЛАДНЫЕ АСПЕКТЫ. 2022;12(4):61-67.
For citation:
Zheludkov N.V., Petrov K.A. Graph neural networks and their application in the design of digital VLSI. МАТЕМАТИЧЕСКОЕ И КОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕ СЛОЖНЫХ СИСТЕМ: ТЕОРЕТИЧЕСКИЕ И ПРИКЛАДНЫЕ АСПЕКТЫ. 2022;12(4):61-67. (In Russ.)
Просмотров:
11
Послать статью по эл. почте 