大家好~我是SP_FA~

在现代芯片设计流程中，放置和布线是两个不可或缺且具有挑战性的 NP-hard 问题。与使用启发式算法或专家精心设计的算法的传统求解器相比，机器学习凭借其数据驱动的性质显示出了广阔的前景，它可以减少对知识和先验的依赖，并且通过其先进的计算范式具有更大的可扩展性 (例如 GPU 加速的深度网络)。本调查首先介绍了基本的布局（Placement）和布线（Routing），并简要介绍了经典的无学习解算器。

由于 GPU 在加速计算方面的优势和对人类专家的依赖较少，机器学习已成为解决布局和布线问题的新兴工具，这是现代芯片设计流程中的两个关键步骤。它仍处于早期阶段，存在一些基本问题：可扩展性、奖励设计和端到端学习范式等。为了实现端到端放置学习，我们首先提出了一种由 DeepPlace 命名的联合学习方法，通过将强化学习与基于梯度的优化方案相结合，用于宏和标准单元的放置。为了进一步将布局与随后的布线任务连接起来，我们还开发了一种通过强化学习来同时完成宏布局和布线的联合学习方法，称为 DeepPR。

DreamPlace 是一款芯片放置工具，用于宏单元（macro）和标准单元（Standard Cell）的放置以及布线，并计算 HPWL、Overlap 等用于衡量芯片性能的参数。