基于物理引导的几何扩散方法用于宏块布局生成
机器学习
2026-05-19 v1 人工智能
摘要
宏块布局是 VLSI 物理设计中的关键步骤，基本决定了芯片的整体性能。近期的数据驱动布局方法显示出巨大的潜力，但常常难以处理序列依赖问题，以及在拓扑连通性与物理约束之间进行平衡。为弥合这一差距，我们提出了 MacroDiff+，一种物理引导的几何扩散框架。具体而言，我们设计了一种双域去噪架构，将由异构图神经网络编码的拓扑连通性与由 Transformer 模型捕获的全局几何上下文进行耦合。此外，我们引入了物理引导采样（Physics-Guided Sampling）一种推理策略，主动利用显式梯度来引导生成，以确保统计合理性和物理有效性。在 ISPD2005 MMS 基准测试中，MacroDiff+ 相较于最先进的基线方法实现了 6.1-6.2% 的线长降低。值得注意的是，在大规模设计中，该方法展现了优异的稳定性和可扩展性，而先前的方法往往难以收敛。源码已公开于 https://github.com/jhy00n/MacroDiff-plus。
引用
@article{arxiv.2605.16451,
title = {Physics-Guided Geometric Diffusion for Macro Placement Generation},
author = {Jongho Yoon and Jinsung Jeon and Seokhyeong Kang},
journal= {arXiv preprint arXiv:2605.16451},
year = {2026}
}
备注
Accepted to IJCAI 2026. 9 pages, 5 figures