面向FPGA逻辑单元打包预测的类别不平衡大图学习框架
机器学习
2023-08-08 v1 硬件体系结构
摘要
打包是典型 FPGA CAD 流程中的必需步骤，对 FPGA 布局布线性能有重大影响。尽早预测打包结果可指导设计优化并加速设计收敛。本文中，我们提出一种类别不平衡大图学习框架 ImLG，用于预测逻辑单元在布局后是否会被打包。具体而言，我们提出专用的特征提取与特征聚合方法，以增强电路图的节点表示学习。针对已打包与未打包逻辑单元的分布不平衡问题，我们进一步提出了图过采样与小批量训练等技术，用于大电路图中的该不平衡学习任务。实验结果表明，与最新的基于高斯过程的预测方法相比，我们的框架将 F1 分数提升了 42.82%。物理设计结果显示，所提方法可辅助布局器将布线线长改善 0.93%、SLICE 占用改善 0.89%。
引用
@article{arxiv.2308.03231,
title = {Imbalanced Large Graph Learning Framework for FPGA Logic Elements Packing Prediction},
author = {Zhixiong Di and Runzhe Tao and Lin Chen and Qiang Wu and Yibo Lin},
journal= {arXiv preprint arXiv:2308.03231},
year = {2023}
}