ChiPFormer: Transferable Chip Placement via Offline Decision Transformer

要約

配置は、チップ キャンバス上の回路モジュールの位置を決定することを目的とした、現代のチップ設計における重要なステップです。
最近の研究では、強化学習 (RL) がチップ配置における人間のパフォーマンスを向上させることができることが示されています。
ただし、このような RL ベースのアプローチには、トレーニング時間が長く、目に見えないチップ回路での転送能力が低いという問題があります。
これらの課題を解決するために、チップ配置をオフライン RL 定式化としてキャストし、固定オフライン データから転送可能な配置ポリシーを学習できる ChiPFormer を提示します。
ChiPFormer には、従来技術にはないいくつかの利点があります。
まず、ChiPFormer はオフライン配置設計を利用して、マルチタスク設定で転送可能なポリシーをより効率的に学習できます。
第 2 に、ChiPFormer は目に見えないチップ回路の効果的な微調整を促進し、配置ランタイムを数時間から数分に短縮できます。
3 番目に、32 個のチップ回路に関する広範な実験により、ChiPFormer は公開ベンチマークと現実的な産業タスクの両方において、最近の最先端のアプローチと比較してランタイムを 10 分の 1 に短縮しながら、大幅に優れた配置品質を達成できることが実証されました。
成果物は https://sites.google.com/view/chipformer/home でリリースされます。

要約(オリジナル)

Placement is a critical step in modern chip design, aiming to determine the positions of circuit modules on the chip canvas. Recent works have shown that reinforcement learning (RL) can improve human performance in chip placement. However, such an RL-based approach suffers from long training time and low transfer ability in unseen chip circuits. To resolve these challenges, we cast the chip placement as an offline RL formulation and present ChiPFormer that enables learning a transferable placement policy from fixed offline data. ChiPFormer has several advantages that prior arts do not have. First, ChiPFormer can exploit offline placement designs to learn transferable policies more efficiently in a multi-task setting. Second, ChiPFormer can promote effective finetuning for unseen chip circuits, reducing the placement runtime from hours to minutes. Third, extensive experiments on 32 chip circuits demonstrate that ChiPFormer achieves significantly better placement quality while reducing the runtime by 10x compared to recent state-of-the-art approaches in both public benchmarks and realistic industrial tasks. The deliverables are released at https://sites.google.com/view/chipformer/home.

arxiv情報

著者 Yao Lai,Jinxin Liu,Zhentao Tang,Bin Wang,Jianye Hao,Ping Luo
発行日 2023-06-26 14:59:56+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.AI, cs.LG パーマリンク