Google Research Circuit Training 指南

Google Research Circuit Training 指南

circuit_training 项目地址: https://gitcode.com/gh_mirrors/ci/circuit_training

项目介绍

Google Research 的 Circuit Training 是一个开源框架，专为使用分布式深度强化学习生成芯片布局图而设计。这个框架基于Nature 2021年的论文“一种用于快速芯片设计的图形放置方法”，由Azalia Mirhoseini等学者提出。它旨在加速并自动化集成电路设计过程中的关键步骤——芯片地板计划（floor planning），能够处理拥有数百个宏单元和数百万标准单元的复杂设计，优化包括线长、拥塞和密度在内的多个目标，并支持多种技术参数自定义。Circuit Training构建于TF-Agents和TensorFlow 2.x之上，支持即时执行、多GPU分布式训练及大规模分布式数据收集。

快速启动

要快速启动Circuit Training，首先确保您正在使用Linux操作系统且Python版本为3.9或更高。以下步骤展示了如何使用Docker来部署环境，这是推荐的方法：

1. 设置环境变量:

   export CT_VERSION=0.0.4
   export PYTHON_VERSION=python3.9
   export DREAMPLACE_PATTERN=dreamplace_20231214_c5a83e5_${PYTHON_VERSION}.tar.gz
   export TF_AGENTS_PIP_VERSION=tf-agents[reverb]
   git clone https://github.com/google-research/circuit_training.git
   

2. 构建并运行Docker容器:

   cd circuit_training
   export REPO_ROOT=$(pwd)
   docker build --pull --no-cache --tag circuit_training:core \
               --build-arg tf_agents_version="${TF_AGENTS_PIP_VERSION}" \
               --build-arg dreamplace_version="${DREAMPLACE_PATTERN}" \
               -f "${REPO_ROOT}/tools/docker/ubuntu_circuit_training" ${REPO_ROOT}/tools/docker/
   mkdir -p ${REPO_ROOT}/logs
   docker run --rm -v ${REPO_ROOT}:/workspace --workdir /workspace circuit_training:core \
              bash tools/e2e_smoke_test.sh --root_dir /workspace/logs
   

应用案例和最佳实践

Circuit Training被设计用来优化芯片设计中的人工干预和时间成本，特别是在大型复杂IC设计上。最佳实践包括：

• 利用其自动化的地板规划能力来快速迭代设计方案。
• 自定义技术参数以适应特定的制造要求。
• 结合行业标准工具如DREAMPlace进行标准单元布局，提高整体设计质量。
• 在实际项目中，通过调整强化学习的策略和权重，优化特定性能指标。

典型生态项目

虽然Circuit Training本身专注于芯片设计领域的创新，其生态系统的扩展可以涉及电子设计自动化(Electronic Design Automation, EDA)软件的整合、AI在半导体行业的其他应用，以及与硬件仿真和验证工具的联动。例如，它可以与其他开源EDA工具集成，共同构成一套完整的芯片设计流程。开发者和研究者可以通过修改和扩展Circuit Training的功能，将其应用于新型架构的探索、功耗优化乃至新世代芯片的快速原型设计中。

请注意，实际操作前应详细阅读项目文档和更新日志，因为依赖项和安装步骤可能随时间更新。

circuit_training 项目地址: https://gitcode.com/gh_mirrors/ci/circuit_training