ParaGate：基于寄生效应的域适应迁移学习用于晶体管网络性能预测
机器学习
2025-12-01 v1 人工智能
摘要
在传统EDA流程中，布局级别的性能指标只能在布置和路由后获得，这阻碍了早期阶段的全局优化。尽管一些神经网络解决方案能够直接从晶体管网络预测布局级别的性能，但它们常面临由于商业布置-路由工具的黑箱式启发式导致的泛化挑战，这些工具在不同设计中创建了差异化的数据。为此，我们提出ParaGate，一个三步骤的跨阶段预测框架，用于从晶体管网络推断布局级别的时序和功耗。首先，我们提出一种两阶段迁移学习方法来预测寄生参数，分别在中等规模电路上进行预训练并在更大规模电路上微调，以捕捉极端条件。接下来，我们依赖EDA工具进行时序分析，将长路径数值推理卸载。最后，ParaGate通过子图特征进行全局校准。实验表明，ParaGate在最小化微调数据的情况下实现了强大的泛化能力：在openE906上，其到达时间 R2 从0.119提升至0.897。这些结果表明，ParaGate可为合成和布置阶段的全局优化提供指导。
引用
@article{arxiv.2511.23340,
title = {ParaGate: Parasitic-Driven Domain Adaptation Transfer Learning for Netlist Performance Prediction},
author = {Bin Sun and Jingyi Zhou and Jianan Mu and Zhiteng Chao and Tianmeng Yang and Ziyue Xu and Jing Ye and Huawei Li},
journal= {arXiv preprint arXiv:2511.23340},
year = {2025}
}
备注
8 pages, 6 figures