强化学习用于宏单元布局的最新评估
机器学习
2026-03-12 v3 人工智能
摘要
我们对Google Brain基于深度强化学习的宏单元布局方法及其在GitHub上更新的Circuit Training（CT）实现给出了改进评估。一个更强的模拟退火（SA）基线利用了“go-with-the-winners”元启发式与多线程实现。我们开发并发布了亚10nm工艺下的新公开基准：Google 7nm TSMC Ariane protobuf的LEF/DEF及缩放变体，以及使用开源ASAP7 7nm研究使能平台实现的测试案例。我们评估了最新“AlphaChip”版Circuit Training的从零训练与微调结果，以及多种替代宏单元布局器。我们也研究了近期发布的预训练指南。我们使用商业布局布线工具提供布线后功耗、性能与面积度量的“真实奖励”。所有数据、评估流程及相关脚本均公开于MacroPlacement GitHub仓库。我们的研究为研究文献中的可复现性与报告提供了见解，并指出仍缺失的确认（例如CT的可扩展性与预训练方法），这些仍是研究界的开放问题。
引用
@article{arxiv.2302.11014,
title = {An Updated Assessment of Reinforcement Learning for Macro Placement},
author = {Chung-Kuan Cheng and Andrew B. Kahng and Sayak Kundu and Yucheng Wang and Zhiang Wang},
journal= {arXiv preprint arXiv:2302.11014},
year = {2026}
}
备注
There are total sixteen pages and two pages for the appendix. It includes six figures and eleven tables. This paper has been accepted and published in IEEE Transactions on CAD