PDNNet: PDN-Aware GNN-CNN Heterogeneous Network for Dynamic IR Drop Prediction

要約

電力供給ネットワーク (PDN) での IR ドロップは、PDN の構成とセルの電流消費に密接に関係しています。
集積回路 (IC) 設計が大型化するにつれて、動的な IR ドロップ シミュレーションは計算能力的に不可能になり、機械学習ベースの IR ドロップ予測が有望なソリューションとして検討されています。
CNN ベースの方法はいくつかの研究で IR ドロップ予測タスクに適用されていますが、PDN 構成を見落とすことによる欠点は無視できません。
この論文では、セルと PDN の関係を適切に表現する方法だけでなく、特徴集約手順における物理的性質に従って IR ドロップをモデル化する方法についても検討します。
そこで、我々は、PDN 構造と細粒度のセルと PDN の関係の表現を統合するために、新しいグラフ構造 PDNGraph を提案します。
さらに、学習プロセス中に上記の特徴を有利に捕捉するために、2 つの並列 GNN-CNN ブランチを組み込んだデュアルブランチ異種ネットワーク PDNNet を提案します。
動的な IR ドロップ予測を非常に効果的で解釈しやすくするための、いくつかの重要な設計が紹介されています。
私たちは、深層学習ベースの動的IRドロップ予測方法にグラフ構造を適用した最初の研究です。
実験の結果、PDNNet は予測誤差を最大 39.3% 削減することで最先端の CNN ベースの手法を上回り、商用ツールと比較して 545 倍の高速化を達成することが示されており、この手法の優位性が実証されています。

要約(オリジナル)

IR drop on the power delivery network (PDN) is closely related to PDN’s configuration and cell current consumption. As the integrated circuit (IC) design is growing larger, dynamic IR drop simulation becomes computationally unaffordable and machine learning based IR drop prediction has been explored as a promising solution. Although CNN-based methods have been adapted to IR drop prediction task in several works, the shortcomings of overlooking PDN configuration is non-negligible. In this paper, we consider not only how to properly represent cell-PDN relation, but also how to model IR drop following its physical nature in the feature aggregation procedure. Thus, we propose a novel graph structure, PDNGraph, to unify the representations of the PDN structure and the fine-grained cell-PDN relation. We further propose a dual-branch heterogeneous network, PDNNet, incorporating two parallel GNN-CNN branches to favorably capture the above features during the learning process. Several key designs are presented to make the dynamic IR drop prediction highly effective and interpretable. We are the first work to apply graph structure to deep-learning based dynamic IR drop prediction method. Experiments show that PDNNet outperforms the state-of-the-art CNN-based methods by up to 39.3% reduction in prediction error and achieves 545x speedup compared to the commercial tool, which demonstrates the superiority of our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google