基于 LSTM 与迁移学习的跨工艺综合流程性能估计

由于集成电路（IC）与片上系统（SoC）日益复杂，在较短上市时间内开发高质量综合流程变得更具挑战性。我们提出一种通用方法，可精确估计特定设计下未知综合流程的结果质量（QoR），如延迟与面积。主要思想是训练一个循环神经网络（RNN）回归器，其中流程为输入、QoR 为真实值。该 RNN 回归器由长短期记忆（LSTM）与全连接层构成。此方法用 14nm、7nm 常压（RVT）与 7nm 低压（LVT） FinFET 工艺及十二个 IC 设计收集的 120 万个数据点予以演示。在单一工艺内预测 QoR（延迟与面积）的精度在 $\boldsymbol{\geq}$\textbf{98.0}\% 以上，覆盖 $\sim$240,000 个测试点。为实现跨不同工艺与不同 IC 设计的准确预测，我们提出一种迁移学习方法，利用以 14nm 数据集预训练的模型。我们的迁移学习方法在 $\sim$960,000 个测试点上获得 $\geq$96.3\% 的估计精度，仅使用 100 个数据点进行训练。