GIF：一种用于芯片布局的 IR Drop 影像的条件多模态生成框架
计算机视觉与模式识别
2026-04-14 v1
摘要
IR drop 分析是物理芯片设计中必不可少的环节，用于确保芯片上电源分配网络的电源完整性。随着晶体管密度的扩大，传统的电子设计自动化（EDA）工具变得愈发缓慢且昂贵。近期研究引入了机器学习（ML）方法，将 IR drop 分析表述为图像预测问题。但现有 ML 方法无法捕捉局部与长程依赖，亦忽视了物理布局和逻辑连通性中至关重要的几何与拓扑信息。为此，我们提出了 GIF，即 Generative IR drop Framework，利用几何与拓扑信息生成 IR drop 影像。GIF 将图像特征与图特征融合，以引导条件扩散过程，生成高质量的 IR drop 影像。例如，在 CircuitNet-N28 数据集上，GIF 实现了 0.78 的 SSIM、0.95 的 Pearson 相关系数、21.77 的 PSNR 以及 0.026 的 NMAE，超越了先前方法。这些结果表明，我们的框架能够可靠地生成高质量的 IR drop 影像。这表明，在联合建模几何布局特征和逻辑电路拓扑结构的前提下，IR drop 分析能够有效利用近期生成模型的进展。通过将几何感知的空间特征与逻辑图表示相结合，GIF 使 IR drop 分析得以从结构化图像生成的最新生成模型技术中获益。
关键词
引用
@article{arxiv.2604.09999,
title = {GIF: A Conditional Multimodal Generative Framework for IR Drop Imaging in Chip Layouts},
author = {Kiran Thorat and Nicole Meng and Mostafa Karami and Caiwen Ding and Yingjie Lao and Zhijie Jerry Shi},
journal= {arXiv preprint arXiv:2604.09999},
year = {2026}
}