LHNN：用于 VLSI 拥塞预测的晶格超图神经网络
机器学习
2022-03-25 v1
摘要
从布局方案中进行精确拥塞预测在电路布局中起着关键作用。本文提出晶格超图（LH-graph），一种新颖的电路图表示形式，其在整个学习过程中保留网表数据，并使拥塞信息在几何与拓扑上传播。基于该表示，我们进一步开发了异构图神经网络架构 LHNN，联合布线需求回归以支持拥塞点分类。在 F1 分数上，LHNN 相比 U-net 与 Pix2Pix 持续取得超过 35% 的提升。我们期望本工作能凸显利用机器学习进行拥塞预测的关键步骤。
引用
@article{arxiv.2203.12831,
title = {LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction},
author = {Bowen Wang and Guibao Shen and Dong Li and Jianye Hao and Wulong Liu and Yu Huang and Hongzhong Wu and Yibo Lin and Guangyong Chen and Pheng Ann Heng},
journal= {arXiv preprint arXiv:2203.12831},
year = {2022}
}
备注
Accepted as a conference paper in DAC 2022; 6 pages, 4 figures