基于图神经网络的快速单元库表征用于设计技术协同优化
机器学习
2024-03-20 v4
摘要
设计技术协同优化（DTCO）在实现先进半导体工艺开发的最佳功耗、性能和面积（PPA）方面起着关键作用。单元库表征在DTCO流程中至关重要，但传统方法耗时且成本高昂。为克服这些挑战，我们提出了一种基于图神经网络（GNN）的机器学习模型，用于快速准确的单元库表征。我们的模型融合了单元结构，并在各种工艺-电压-温度（PVT）角和技术参数下展现出高预测精度。在512个未见过的技术角和超过一百万个测试数据点上的验证显示，对33种单元的延迟、功耗和输入引脚电容的预测准确，平均绝对百分比误差（MAPE）≤0.95%，与SPICE仿真相比加速100倍。此外，我们利用基于GNN的模型在未见过的角上的预测，研究了系统级指标，如最差负松弛（WNS）、泄漏功耗和动态功耗。与黄金参考相比，我们的模型实现了精确预测：WNS绝对误差≤3.0 ps，泄漏功耗百分比误差≤0.60%，动态功耗百分比误差≤0.99%。利用所开发的模型，我们进一步提出了一种细粒度驱动强度插值方法，以增强中小规模设计的PPA，实现了约1-3%的改进。
引用
@article{arxiv.2312.12784,
title = {Fast Cell Library Characterization for Design Technology Co-Optimization Based on Graph Neural Networks},
author = {Tianliang Ma and Guangxi Fan and Zhihui Deng and Xuguang Sun and Kainlu Low and Leilai Shao},
journal= {arXiv preprint arXiv:2312.12784},
year = {2024}
}