PowerNet：基于最大卷积神经网络的可迁移动态 IR 压降估计
机器学习
2020-11-30 v1 硬件体系结构
摘要
IR 压降是几乎所有芯片设计都要求满足的基本约束。然而，其评估通常耗时很长，阻碍了用于修复其违例的缓解技术。在这项工作中，我们开发了一种基于卷积神经网络（CNN）的快速动态 IR 压降估计技术，称为 PowerNet。它可以处理基于向量和无向量的 IR 分析。此外，所提出的 CNN 模型具有通用性且可迁移到不同设计，这与大多数现有机器学习（ML）方法形成对比，后者中模型仅适用于特定设计。实验结果表明，在具有挑战性的无向量 IR 压降情况下，PowerNet 比最新 ML 方法的精度高出 9%，并与精确的 IR 压降商业工具相比实现了 30 倍加速。此外，由 PowerNet 引导的缓解工具在两个工业设计上分别将 IR 压降热点减少了 26% 和 31%，且对其电源网格的修改非常有限。
引用
@article{arxiv.2011.13494,
title = {PowerNet: Transferable Dynamic IR Drop Estimation via Maximum Convolutional Neural Network},
author = {Zhiyao Xie and Haoxing Ren and Brucek Khailany and Ye Sheng and Santosh Santosh and Jiang Hu and Yiran Chen},
journal= {arXiv preprint arXiv:2011.13494},
year = {2020}
}