面向前路由松弛预测的端到端图基框架 E2ESlack
机器学习
2025-01-15 v2
摘要
前路由松弛预测是电子设计自动化 (EDA) 中的关键研究领域。尽管众多基于机器学习的方法针对此任务，但仍缺乏一种工程人员可用于从布置阶段获取 TNS/WNS 指标的真正端到端框架。现有工作在到达时间 (AT) 预测方面已证明有效，但缺乏必需的必达时间 (RAT) 预测机制，这对于松弛预测和获取 TNS/WNS 指标至关重要。本文我们提出 E2ESlack，一个用于前路由松弛预测的端到端图基框架。该框架包括支持 DEF、SDF 和 LIB 文件的 TimingParser 用于特征提取和图构建、到达时间预测模型以及快速 RAT 估计算法。据我们所知，这是首个能够在前路由阶段预测路径级松弛的工作。我们进行了大量实验，证明我们提出的 RAT 估计算法优于 SOTA 机器学习预测方法和 pre-routing STA 工具。此外，提出的 E2ESlack 框架在节省最多 23 倍运行时间的同时，实现了与 post-routing STA 结果相当的 TNS/WNS 值。
引用
@article{arxiv.2501.07564,
title = {E2ESlack: An End-to-End Graph-Based Framework for Pre-Routing Slack Prediction},
author = {Saurabh Bodhe and Zhanguang Zhang and Atia Hamidizadeh and Shixiong Kai and Yingxue Zhang and Mingxuan Yuan},
journal= {arXiv preprint arXiv:2501.07564},
year = {2025}
}