基于递归学习的虚拟缓冲技术用于分析型全局布置
机器学习
2025-08-01 v2 人工智能
摘要
由于现代工艺节点中互联延迟相对于单元延迟的比例失衡，布置时考虑缓冲孔隙率（即单元密度） awareness 对于物理综合流程中的时序收敛至关重要。然而，现有方法面临两个关键挑战：(i) 传统的 van Ginneken-Lillis 式缓冲方法在全局布置期间计算代价高；(ii) 基于机器学习的方法（如 BufFormer）未充分考虑电气规则检查 (ERC) 违规，无法“闭环”回到物理设计流程中。本文提出 MLBuf-RePlAce，即首个开源学习驱动的虚拟缓冲感知分析型全局布置框架，基于 OpenROAD 基础设施构建。MLBuf-RePlAce 采用高效的递归学习驱动的生成式缓冲方法，预测缓冲器类型与位置，同时在全局布置期间处理 ERC 违规。我们将 MLBuf-RePlAce 与 OpenROAD 中默认虚拟缓冲时序驱动全局布置器进行比较，采用来自 TILOS MacroPlacement 和 OpenROAD-flow-scripts 代码库的开源测试用例。该方法在开源 OpenROAD 流程中实现了 (最高 56%, 平均 31%) 的总负荷时间 (TNS) 改善；在商业流程中实现了 (最高 53%, 平均 28%) 的 TNS 改善，平均功耗 post-route 提升 0.2%。
引用
@article{arxiv.2506.17247,
title = {Recursive Learning-Based Virtual Buffering for Analytical Global Placement},
author = {Andrew B. Kahng and Yiting Liu and Zhiang Wang},
journal= {arXiv preprint arXiv:2506.17247},
year = {2025}
}