E2ESlack: An End-to-End Graph-Based Framework for Pre-Routing Slack Prediction

要約

配線前のスラック予測は、依然として電子設計自動化 (EDA) における重要な研究分野です。
このタスクを対象とした機械学習ベースのアプローチは多数ありますが、エンジニアが配置段階で生の回路データから TNS/WNS メトリクスを取得するために使用できる真のエンドツーエンドのフレームワークがまだ不足しています。
既存の研究は、到着時間 (AT) 予測の有効性を実証していますが、スラック予測と TNS/WNS メトリクスの取得に不可欠な到着時間 (RAT) 予測のメカニズムが欠けています。
この研究では、ルーティング前のスラック予測のためのエンドツーエンドのグラフベースのフレームワークである E2ESlack を提案します。
このフレームワークには、特徴抽出とグラフ構築のための DEF、SDF、LIB ファイルをサポートする TimingParser、到着時間予測モデル、および高速 RAT 推定モジュールが含まれています。
私たちの知る限り、これは配線前の段階でパスレベルのスラックを予測できる最初の研究です。
私たちは広範な実験を実施し、提案した RAT 推定方法が SOTA ML ベースの予測方法およびプレルーティング STA ツールよりも優れていることを実証しました。
さらに、提案された E2ESlack フレームワークは、実行時間を最大 23 倍節約しながら、ルーティング後の STA 結果と同等の TNS/WNS 値を達成します。

要約(オリジナル)

Pre-routing slack prediction remains a critical area of research in Electronic Design Automation (EDA). Despite numerous machine learning-based approaches targeting this task, there is still a lack of a truly end-to-end framework that engineers can use to obtain TNS/WNS metrics from raw circuit data at the placement stage. Existing works have demonstrated effectiveness in Arrival Time (AT) prediction but lack a mechanism for Required Arrival Time (RAT) prediction, which is essential for slack prediction and obtaining TNS/WNS metrics. In this work, we propose E2ESlack, an end-to-end graph-based framework for pre-routing slack prediction. The framework includes a TimingParser that supports DEF, SDF and LIB files for feature extraction and graph construction, an arrival time prediction model and a fast RAT estimation module. To the best of our knowledge, this is the first work capable of predicting path-level slacks at the pre-routing stage. We perform extensive experiments and demonstrate that our proposed RAT estimation method outperforms the SOTA ML-based prediction method and also pre-routing STA tool. Additionally, the proposed E2ESlack framework achieves TNS/WNS values comparable to post-routing STA results while saving up to 23x runtime.

arxiv情報

著者 Saurabh Bodhe,Zhanguang Zhang,Atia Hamidizadeh,Shixiong Kai,Yingxue Zhang,Mingxuan Yuan
発行日 2025-01-13 18:53:23+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG パーマリンク