Оценка карты разводимости при проектировании цифровых блоков СБИС с помощью графовых нейронных сетей
Аннотация
В рамках данной работы рассматривается решение задачи оценки карты разводимости на ранних этапах топологического проектирования цифровых блоков СБИС с помощью применения нейросетевой модели машинного обучения, основанной на графовой нейронной сети. Раннее предсказание проблемных мест с разводкой позволит разработчику топологии изменить такие характеристики проектируемого блока, как план размещения, расположение макроблоков, а также входных и выходных портов таким образом, чтобы предотвратить возникновение проблем с трассировкой соединений на поздних этапах, тем самым сократив число запусков САПР и общее время проектирования схемы. Применение графовых нейронных сетей позволяет учитывать дополнительную информацию о связях элементов в нетлисте, для более точного предсказания.
Ключевые слова
При поддержке: Публикация выполнена в рамках государственного задания ФГУ ФНЦ НИИСИ РАН по теме № FNEF-2022-0008.
Об авторах
Н. В. Желудков
ФГУ ФНЦ НИИСИ РАН
Россия
Россия
Москва
Я. М. Карандашев
ФГУ ФНЦ НИИСИ РАН
Россия
Россия
Москва
Е. С. Кочева
ФГУ ФНЦ НИИСИ РАН
Россия
Россия
Москва
М. Х. Сайбодалов
ФГУ ФНЦ НИИСИ РАН
Россия
Россия
Москва
З. Б. Сохова
ФГУ ФНЦ НИИСИ РАН
Россия
Россия
Москва
А. А. Умнова
ФГУ ФНЦ НИИСИ РАН
Россия
Россия
Москва
Список литературы
1. [Электронный ресурс]. URL: https://theopenroadproject.org/ (дата обращения: 10.11.2023)
2. A.B. Chowdhury, B. Tan, R. Karri, S. Garg. OpenABC-D: A Large-Scale Dataset for Machine Learning Guided Integrated Circuit Synthesis. (2021). ArXiv preprint (2021) arXiv:2110.11292.
3. R. Kirby, S. Godil, R. Roy, B. Catanzaro. Congestionnet: Routing congestion prediction using deep graph neural networks. «2019 IFIP/IEEE 27th International Conference on Very Large Scale Integration (VLSI-SoC)», 2019, pp. 217–222.
4. A. Ghose, V. Zhang, Y. Zhang, D. Li, W. Liu, M. Coates. Generalizable cross-graph embedding for GNN-based congestion prediction. «2021 IEEE/ACM International Conference on Computer Aided Design (ICCAD)», 2021, pp. 1–9.
5. P. Velickovic, G. Cucurull, A. Casanova, A. Romero, P. Lio, Y. Bengio. Graph attention networks. ArXiv preprint (2017) arXiv:1710.10903.
6. W.L. Hamilton, Z. Ying, J. Leskovec. Inductive representation learning on large graphs. «Neural Information Processing Systems», 2017.
7. M. Fey, J.E. Lenssen. Fast Graph Representation Learning with PyTorch Geometric. «ICLR Work-shop on Representation Learning on Graphs and Manifolds», 2019.
8. P. Kudva, A. Sullivan, W. Dougherty. Metrics for structural logic synthesis. «IEEE/ACM International Conference on Computer Aided Design», 2002, pp. 551−556.
Рецензия
Для цитирования:
Желудков Н.В., Карандашев Я.М., Кочева Е.С., Сайбодалов М.Х., Сохова З.Б., Умнова А.А. Оценка карты разводимости при проектировании цифровых блоков СБИС с помощью графовых нейронных сетей. Труды НИИСИ. 2023;13(4):91-96.
For citation:
Zheludkov N.V., Karandashev I.M., Kocheva E.S., Saibodalov M.K., Sokhova Z.B., Umnova A.A. Estimation of Congestion Map in the VLSI Design of Digital Blocks with Graph Neural Network. SRISA Proceedings. 2023;13(4):91-96. (In Russ.)
Просмотров:
20
Послать статью по эл. почте 