Circuit as Set of Points

要約

回路設計のサイズが急速に拡大し続ける中、回路設計を支援するために電子設計自動化 (EDA) で人工知能テクノロジーが広く使用されています。
配置と配線は物理設計プロセスの中で最も時間のかかる部分であり、配置を迅速に評価する方法が注目の研究テーマとなっています。
以前の研究では、手作りの手法を使用して回路設計を画像に変換し、畳み込みニューラル ネットワーク (CNN) を使用して特徴を抽出していましたが、手作りの手法の品質によって制限され、エンドツーエンドのトレーニングを達成できませんでした。
回路設計をグラフ構造として扱い、グラフ ニューラル ネットワーク (GNN) を使用して特徴を抽出しましたが、これには時間のかかる前処理が必要でした。
私たちの研究では、回路コンポーネントを点群として扱い、Transformer ベースの点群認識手法を使用して回路から特徴を抽出することにより、回路設計に対する新しい視点を提案します。
このアプローチにより、前処理なしで生データから直接特徴を抽出でき、エンドツーエンドのトレーニングが可能になり、高いパフォーマンスが得られます。
実験結果は、私たちの方法が、CircuitNet データセットと ISPD2015 データセットの両方での渋滞予測タスクと、CircuitNet データセットでのデザイン ルール チェック (DRC) 違反予測タスクで最先端のパフォーマンスを達成することを示しています。
私たちの手法は、比較的成熟した点群認識手法と急速に開発中の EDA アルゴリズムとの間に橋渡しを行い、より多くの集合知を活用してこのタスクを解決できるようにします。
オープン EDA 設計の研究を促進するために、ソース コードと事前トレーニングされたモデルが https://github.com/hustvl/circuitformer でリリースされています。

要約(オリジナル)

As the size of circuit designs continues to grow rapidly, artificial intelligence technologies are being extensively used in Electronic Design Automation (EDA) to assist with circuit design. Placement and routing are the most time-consuming parts of the physical design process, and how to quickly evaluate the placement has become a hot research topic. Prior works either transformed circuit designs into images using hand-crafted methods and then used Convolutional Neural Networks (CNN) to extract features, which are limited by the quality of the hand-crafted methods and could not achieve end-to-end training, or treated the circuit design as a graph structure and used Graph Neural Networks (GNN) to extract features, which require time-consuming preprocessing. In our work, we propose a novel perspective for circuit design by treating circuit components as point clouds and using Transformer-based point cloud perception methods to extract features from the circuit. This approach enables direct feature extraction from raw data without any preprocessing, allows for end-to-end training, and results in high performance. Experimental results show that our method achieves state-of-the-art performance in congestion prediction tasks on both the CircuitNet and ISPD2015 datasets, as well as in design rule check (DRC) violation prediction tasks on the CircuitNet dataset. Our method establishes a bridge between the relatively mature point cloud perception methods and the fast-developing EDA algorithms, enabling us to leverage more collective intelligence to solve this task. To facilitate the research of open EDA design, source codes and pre-trained models are released at https://github.com/hustvl/circuitformer.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google