Routability-Driven Macro Placement with Embedded CNN-Based Prediction Model

Routability-Driven Macro Placement with Embedded CNN-Based Prediction Model
2019 Design, Automation & Test in Europe Conference & Exhibition (DATE)
DOI: 10.23919/DATE.2019.8715126

Abstract

一个芯片设计只有通过设计规则检查(DRC)后才能被贴出。 设计复杂度严重恶化了设计可路由性，这可以用详细路由阶段之后的DRC违规次数来衡量。 此外，由于知识产权的广泛使用，现代大型设计通常由许多巨大的宏组成。 根据经验，宏的布局在很大程度上决定了可路由性，但由于单元布局和路由的复杂性和不可预测性，目前还没有一个有效的成本指标来直接评估宏布局。 在本文中，我们提出了第一个基于深度学习的宏布局方法RoutabilityDriven。 提出了一种基于卷积神经网络(CNN)的可布线性预测模型，并将其嵌入到宏布线器中，通过模拟退火(SA)优化过程可以得到一个具有最小DRC违规的良好宏布线。

一、Introduction

现代大型设计通常由许多巨大的宏组成。 宏的数量急剧增加，这些巨大的宏可以占据芯片面积的70%以上。 从经验上看，宏的放置在很大程度上决定了可路由性，这可以从图中显示的示例布局中观察到，Fig. 1(a)和(b)给出了同一电路的两个不同宏位置。 ©和(d)分别给出了两个宏布局在单元布局和路由之后的布局，这两个布局是由商业EDA工具Enceence完成的。 白色表示DRV的位置，这是由违反DRC规则的路由网络造成的，如短路和间距违规。 据实验结果，在Fig.1©有4892次违规，而在图的布局 Fig.1(d)有65868次违规，这清楚地表明宏放置对设计可路由性有很大的影响。 在现代大规模设计中，单元布局和布线通常需要很长的时间，因此，在运行整个设计流程后，枚举给定设计的所有宏布局并找到最佳的宏布局是不现实的。

许多关于宏布局的研究已经被提出来解决这些设计挑战，这些研究可以分为三类：
（1）同时放置宏和标准单元的一阶段混合尺寸布局； 例如:MPL6[12]，Ntuplace3[9]，Hsu等。 [14]、Complex[17]、Maple[18]、ePlace-MS[19]和FastPlace3.0[27]。
（2）构造型MixedSize宏布局，在迭代过程中对宏进行划分并保持宏不重叠； 例如，CAPO[1]和FLOP[28]。 （3）三阶段混合尺寸布局，包括布局原型、宏布局和标准单元布局，如图所示 2； 例如，XDP[10]，CG[8]，Floorist[21]，MP-Tree[11]，CP-Tee[7]，Chiou et al[5]。

三阶段方法由于其更好的性能和易于集成到大多数设计流程中而受到广泛的关注。 最近，MP-tree被提出来有效地打包宏[11]。 CP-tree继承了MP-tree的优点，并考虑了预置块[7]。 由于上述两种表示方法在处理宏重叠方面存在不足，本文提出了一种基于圆轮廓的基于角点序列的宏布局方法[20][5]。 然而，所有的三阶段宏观放置依赖于从一阶段混合尺寸放置生成的放置原型。 放置原型步骤不仅需要更多的运行时间来执行附加步骤，而且还可能导致以下方面的一些缺陷 ：

• 如果初始的宏合法那么变化的空间有限，如果不合法布线变得不可控，宏放置可能不是最优。
  由于放置器根据宏在原型中的位置估计线缆和布线成本，并在目标函数中最小化宏与原型的位移，因此最终的宏放置可以与原型中的宏放置非常相似。 换句话说，原型可能会限制优化解空间，成为决定优化宏布局轮廓的主要因素。 相反，如果将宏位移设置为目标函数中的次要优先级，使得宏放置器更灵活地生成显著不同的宏放置，则线形和可布线性估计变得不准确，并且生成的宏放置可能不是最优的。
• 现有的模型针对单元布局和局部路由，不适应宏布局阶段。
  由于单元布局和路由的高度复杂性和不可预测性，没有有效的代价度量来直接评估宏布局，宏布局是一个可以合理地求助于机器学习的优化问题。 在物理设计过程中，已经有几个关于DRV预测的工作。 其中一些通过考虑全局路由或试路由后的拥塞图来预测给定小区位置的DRV和拥塞区域的数量[23]，[29]。 然而，由于高级过程节点的设计规则越来越复杂，导致拥塞图与最终DRV图之间的不相关性[4]、[6]。 为了避免被不适当的特性所误导，并节省全局/试验路由的运行时间，其他的工作试图在没有拥塞映射的情况下预测布局的可路由性[4]、[6]、[25]、[26]。 [25]和[26]开发基于机器学习的方法来预测布局瓦片中是否发生短违规。 [6]提出的模型预测一个布局解是否可路由。 [4]提出了一种基于支持向量机(SVM)的DRVs位置预测方法。 然而，所有这些工作都是针对给定的单元布局进行局部可路由性预测，现有的模型不适用于宏布局阶段。

在本文中，提出了可路由驱动的宏布局与深度学习。 一种基于卷积神经网络(CNN)的可布线型预测模型，并嵌入到一个宏布局中的I预测模型，通过模拟退火(SA)优化过程可以得到一个具有最小DRC违规的良好宏观布局。 本文的主要贡献如下:

• 首次将机器学习应用于宏观布局阶段的可路由性预测。 构建了可路由性预测器来预测DRV的数量。 预测模型的输入只需要一个宏布局，不需要单元布局和路由信息。
• 采用迁移学习方法解决训练数据不足的问题。 使用预训练的VGG16[24]体系结构，并用我们的宏放置数据集进行微调。
• 将开发的基于机器学习的可路由性预测器嵌入到宏布局中。 此外，利用模拟退火优化算法，以最小的DRVs搜索最优的宏布局。
• 实验结果证明了预测模型的准确性和我们的可路由性驱动宏布局的有效性。

第二节介绍了问题的提出和CNN的初步研究。 在第三节中，建议的模型开发和宏观放置方法在每个小节中都有详细说明。 第四节给出了实验结果。 最后，我们在第五节结束我们的工作。

二、PROBLEM FORMULATION AND PRELIMINARIES

2.1 Problem Formulation

我们的工作目标是解决两个问题：（1）给定宏观布局的早期可路由性预测； （2）在设计规则违反最小的情况下寻找最佳的宏布局。

问题1： 在第一个问题中，任务是找到一个预测给定宏布局的DRVs（表示为#DRVs）数量的模型，该模型可以表示为函数f#DRVs如下:

$f_{\#DRVs}:S_i\in {\mathbb{R}}^{W\times H}\to y_i\in \mathbb{N}$（1）

其中，放置的宏 S i ∈ R W × H S_i \in \mathbb{R}^{W \times H} S