MaskPlace:基于强化视觉表征学习的快速芯片布局
计算机视觉与模式识别
2022-11-28 v1
摘要
布局是现代芯片设计中的一项关键任务,旨在将数百万电路模块放置于二维芯片画布上。与需要硬件工程师数月高强度工作以产生最小化延迟与能耗布局的人工方案不同,深度强化学习已成为一种新兴的自主工具。然而,以学习为中心的方法仍处于早期阶段,受限于规模达十的几千次方量级的巨大设计空间。本工作提出 MaskPlace,可在数小时内自动生成有效芯片布局设计,其性能优于或媲美近期先进方法。它具有先前方法不具备的几项突出优势。首先,MaskPlace 将布局重述为学习像素级视觉表征以全面描述芯片上数百万模块的问题,从而支持高分辨率画布与大型动作空间。它优于近期将芯片表示为超图的方法。其次,它使策略网络能通过具密集奖励的直观奖励函数训练,而非先前方法中具稀疏奖励的复杂奖励函数。第三,在多个公开基准上的大量实验表明,MaskPlace 在所有关键性能指标(包括线长、拥塞与密度)上均优于现有 RL 方法。例如,其实现 60%–90% 的线长缩减并保证零重叠。我们相信 MaskPlace 可改进 AI 辅助芯片布局设计。相关成果发布于 https://laiyao1.github.io/maskplace。
引用
@article{arxiv.2211.13382,
title = {MaskPlace: Fast Chip Placement via Reinforced Visual Representation Learning},
author = {Yao Lai and Yao Mu and Ping Luo},
journal= {arXiv preprint arXiv:2211.13382},
year = {2022}
}