PDNNet：面向 PDN 的 GNN-CNN 异构网络用于动态 IR Drop 预测
机器学习
2024-12-06 v2 人工智能
摘要
电源分配网络（PDN）上的 IR drop 与 PDN 的配置和单元电流消耗密切相关。随着集成电路（IC）设计规模日益增大，动态 IR drop 仿真在计算上变得难以承受，基于机器学习的 IR drop 预测已被探索为一种有前景的解决方案。尽管基于 CNN 的方法已在多项工作中被用于 IR drop 预测任务，但忽略 PDN 配置的缺陷是不可忽视的。在本文中，我们不仅考虑了如何恰当地表示单元与 PDN 的关系，还考虑了如何在特征聚合过程中遵循 IR drop 的物理本质对其进行建模。因此，我们提出了一种新颖的图结构 PDNGraph，以统一 PDN 结构和细粒度单元-PDN 关系的表示。我们进一步提出了一种双分支异构网络 PDNNet，融合两个并行的 GNN-CNN 分支，以在学习过程中良好地捕获上述特征。我们提出了若干关键设计，使动态 IR drop 预测高效且具有可解释性。我们是首个将图结构应用于基于深度学习的动态 IR drop 预测方法的工作。实验表明，PDNNet 优于最先进的基于 CNN 的方法，并且与商业工具相比实现了 545 倍的加速，证明了我们方法的优越性。
引用
@article{arxiv.2403.18569,
title = {PDNNet: PDN-Aware GNN-CNN Heterogeneous Network for Dynamic IR Drop Prediction},
author = {Yuxiang Zhao and Zhuomin Chai and Xun Jiang and Yibo Lin and Runsheng Wang and Ru Huang},
journal= {arXiv preprint arXiv:2403.18569},
year = {2024}
}