PGR-DRC：使用无监督学习进行预全局布线 DRC 违规预测-计算机科学-机器学习-无监督学习-神经网络.pdf

PGR-DRC：使用无监督学习进行预全局布线

DRC违规预测

RiadulIslamandDhandeepChallagundla

DepartmentofComputerScienceandElectricalEngineering

UniversityofMaryland,BaltimoreCounty

Baltimore,Maryland,USA

riaduli@,vd58139@

摘要—利用人工智能（AI）驱动的电子设计自动化（EDA）并解决可能的DRC违规热点，就可以大幅降低工程设

工具、高性能计算和平行算法对于下一代微处理器创新至关重计时间和成本[5],[6]。

本要，确保在计算、AI和半导体技术方面的持续进步。基于机器学此外，早期的DRC违规预测有助于更好地分配资

习的设计规则检查（DRC）和光刻热点检测可以提高一次性硅

译源，降低设计流片的风险，并最小化不必要的制造成

片成功率。然而，传统的ML和神经网络（NN）模型使用监督

中学习，并且需要一个平衡的数据集（正负类别的数量相当）以及本。最近在人工智能（AI）驱动的设计自动化方面的进

1训练时间。本研究通过提出首个无监督的DRC违规预测方法来展已经展示了在预测DRC热点方面提高了准确性，从

v

5解决这些关键挑战。所提出的模型可以通过仅使用一类不平衡数而实现了更快的设计闭合和优化了硅性能[7]–[9]。

5据集建立，并为该类设置阈值，然后对任何新数据进行查询以确传统的人工智能驱动的设计规则检查（DRC）违规

3定它们是否在模型的分类边界内。本研究通过采用CMOS28

3预测方法要么使用机器学习（ML）模型，要么使用基

1纳米技术和SynopsysDesignCompiler及ICCompilerII

7.工具实施不同的计算核心来验证了所提出的模型。随后，将布局于神经网络（NN）的模型。基于ML的模型主要从物

0分为虚拟网格以收集大约60,000个数据点用于分析和验证。所理设计流程的不同层收集特征来构建它们的模型。另一

5

2提出的方法具有99.95%的预测测试准确率，而现有的支持向量方面，基于NN的模型广泛使用基于图像的特征来训练

:机（SVM）和神经网络（NN）模型的准确率分别为85.44%和其模型。然而，所有这些传统的监督模型都需要耗时的

v

i98.74%。此外，与SVM和NN模型相比，所提出的建模方法

x训练。

r分别有倍至倍的训练时间减少。

aIndexTerms—机器学习，布局，无监督学习，物理设计这项研究识别了传统设计规则检查（DRC）违规预

流程，设计规则检查（DRC），神经网络。测方法中的一些关键问题；例如，如果将任何设计划分

为等大小的网格，则可以看出整个设计中存在DRC违

I.介绍规的网格数量通常远少于总网格数。在监督机器学习的

早期设计规则检查（DRC）违规预测在集成电路情况下，正样本（本研究称为含有DRC违规的数据）

（IC）设计中至关重要，因为它可以通过在设计周期的和负样本（即没有DRC违规的数据）之间应该有一个

早期阶段识别潜在违规来显著降低工程成本。传统的布合理的平衡。因此，可以将DRC违规预测建模为一个

局后DRC检查计算代价高昂且耗时，导致多次设计迭异常检测问题，在该问题中训练数据不专注于正样本。

代和延长周转时间。通过集成预测模型或机器学习方相反，它基于无异常的