基于扩散模型的芯片布局

宏块布局是数字电路设计中的关键步骤，决定了大量组件（称为宏块）在二维芯片上的物理位置。由于芯片的关键性能指标由布局决定，因此对其进行优化至关重要。现有的学习方法通常不足，因为它们依赖于强化学习（RL），该方法运行缓慢且难以泛化，要求在每个新电路上进行在线训练。相反，我们训练了一个扩散模型，能够在零样本条件下对新电路进行布局，并通过引导采样来优化布局质量，而无需使用 RL。为使模型能够大规模训练，我们设计了一个高效且功能强大的去噪模型架构，并提出了一种新型算法，用于生成大规模合成数据集进行预训练。为实现对真实电路的零样本迁移，我们经验性地研究了数据生成算法的设计决策，确定了若干关键因素，使模型能够泛化。在我们的合成数据上训练后，模型在未见过的真实电路上生成高质量的布局，能够在布局基准测试中实现与最先进方法的竞争性能。