Improving Routability Prediction via NAS Using a Smooth One-shot Augmented Predictor

要約

最新の EDA ツールにおけるルータビリティの最適化は、機械学習 (ML) モデルの使用から大きな恩恵を受けています。
ML モデルのパフォーマンスを構築して最適化することは、引き続き課題です。
Neural Architecture Search (NAS) は、これらのモデルの構築と改善を支援するツールとして機能します。
従来の NAS 技術は、2 つの主な要因の結果として、ルーティング可能性の予測において良好なパフォーマンスを発揮するのに苦労しています。
まず、トレーニングの目的と検索の目的が分離されているため、NAS プロセスにノイズが追加されます。
第 2 に、検索目的の変動が大きくなるため、NAS の実行がさらに複雑になります。
当社は、新しいデータ拡張技術と、ワンショット NAS と予測子ベースの NAS の新しい組み合わせを通じて、これらの課題に対処するための新しい NAS 技術、造語 SOAP-NAS を開発しました。
結果は、DRC ホットスポット検出における ROC-AUC (受信機動作特性曲線の下の面積) によって測定された理想的なパフォーマンスに近い、既存のソリューションを 40% 上回るパフォーマンスを示しています。
SOAPNet は、ROC-AUC 0.9802 とクエリ時間わずか 0.461 ミリ秒を達成できます。

要約(オリジナル)

Routability optimization in modern EDA tools has benefited greatly from using machine learning (ML) models. Constructing and optimizing the performance of ML models continues to be a challenge. Neural Architecture Search (NAS) serves as a tool to aid in the construction and improvement of these models. Traditional NAS techniques struggle to perform well on routability prediction as a result of two primary factors. First, the separation between the training objective and the search objective adds noise to the NAS process. Secondly, the increased variance of the search objective further complicates performing NAS. We craft a novel NAS technique, coined SOAP-NAS, to address these challenges through novel data augmentation techniques and a novel combination of one-shot and predictor-based NAS. Results show that our technique outperforms existing solutions by 40% closer to the ideal performance measured by ROC-AUC (area under the receiver operating characteristic curve) in DRC hotspot detection. SOAPNet is able to achieve an ROC-AUC of 0.9802 and a query time of only 0.461 ms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google