GOALPlace: Begin with the End in Mind

要約

混雑を考慮した配置の最適化は、高品質な設計を実現するために不可欠である。本論文では、セル密度を制御することで配置混雑を改善する新しい学習ベースの一般的なアプローチであるGOALPlaceを紹介します。本手法は、EDAツールのポストルート最適化結果から効率的に学習し、経験的ベイズ技術を使用して、このゴール/ターゲットを特定のプレイサーのソリューションに適応させます。これは、ツールのルーターとタイミング最適化エンジンの長期的なヒューリスティックとの相関を強化するもので、同時に、高価な輻輳の推定と緩和の方法をインクリメントすることなく、配置をグローバルに解決します。新しい階層的なネットリストのクラスタリングによる統計解析により、密度の重要性と、配置全体にわたる適切なセル密度目標の可能性が確立されました。我々の実験では、アカデミックなGPUアクセラレーション・グローバル・プレーサー内にデモとして統合された我々の手法が、一貫して、商用ツールよりも優れた、あるいは同等の品質のマクロおよびスタンダード・セル配置を生成することが示された。また、我々の経験的ベイズ手法は、最先端のアカデミックなミックスサイズ・プレーサーと比較して大幅な品質向上を実現し、デザイン・ルール・チェック（DRC）違反を最大10分の1に低減し、ワイヤ長を5%減少させ、ワースト・スラックとトータル・ネガティブ・スラック（WNS/TNS）を30%と60%減少させました。

要約(オリジナル)

Co-optimizing placement with congestion is integral to achieving high-quality designs. This paper presents GOALPlace, a new learning-based general approach to improving placement congestion by controlling cell density. Our method efficiently learns from an EDA tool’s post-route optimized results and uses an empirical Bayes technique to adapt this goal/target to a specific placer’s solutions, effectively beginning with the end in mind. It enhances correlation with the long-running heuristics of the tool’s router and timing-opt engine — while solving placement globally without expensive incremental congestion estimation and mitigation methods. A statistical analysis with a new hierarchical netlist clustering establishes the importance of density and the potential for an adequate cell density target across placements. Our experiments show that our method, integrated as a demonstration inside an academic GPU-accelerated global placer, consistently produces macro and standard cell placements of superior or comparable quality to commercial tools. Our empirical Bayes methodology also allows a substantial quality improvement over state-of-the-art academic mixed-size placers, achieving up to 10x fewer design rule check (DRC) violations, a 5% decrease in wirelength, and a 30% and 60% reduction in worst and total negative slack (WNS/TNS).

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL