Повышение эффективности размещения элементов БИС на основе алгоритмов машинного обучения



В данной статье рассматривается целесообразность применения возможностей современного искусственного интеллекта в сфере проектирования микросхем, представлен метод размещения элементов БИС с использованием глубокого обучения с подкреплением на графовых нейронных сетях.

Ключевые слова: БИС, топология, САПР, GNN, обучение с подкреплением, глубокое обучение.

Введение

Все больше направлений науки и производства стремятся внедрить достижения сферы искусственного интеллекта в свои процессы. Не стала исключением и сфера электроники, где множество процессов связаны с автоматизацией [1, 2]. В частности, в настоящее время много исследований проводится по внедрению искусственного интеллекта в процесс проектирования микросхем [3].

Так как техпроцессы производства микросхем уменьшаются, а количество элементов возрастает, то усложняется и дорожает процесс разработки. Раньше это компенсировалось использованием САПР на стандартных алгоритмах. Однако в текущих реалиях стандартные алгоритмы даже при использовании распараллеливания оказываются слишком долгими и неэффективными.

В сфере отечественного производства БИС также требуется улучшение САПР с использованием современных методов и средств. Одним из этапов, требующих изменений, является этап топологического проектирования, в частности операция размещения элементов БИС на БМК [4].

Основная часть

Прежде всего, необходимо правильно осуществить формализацию задачи размещения элементов БИС на БМК.

Тогда используемые множества:

— E = {e ₁ , e ₂ , …, e _n …, e _N } — множество элементов БИС, которые необходимо разместить;

— P = {p ₁ , p ₂ , …, p _m , …, p _M } — фиксированный набор позиций, из которого состоит БМК и в которые должны быть размещены элементы из множества E.

Основное условие в этом случае:

Кроме этого, необходимы метрики для оценки конечного размещения элементов. В стандартных алгоритмах размещения существуют такие, как:

— оценка суммарного расстояния между соединенными элементами;

— расчет задержек с запасом для оценки, успевает ли сигнал пройти между элементами;

— оценка плотности заполнения микросхемы для контроля равномерности распределения элементов по площади БМК.

В общем случае задача размещения сводится к марковскому процессу принятия решений [5]. В этом случае ее можно решить, используя обучение с подкреплением через задачу о максимизации награды. Так как процесс размещения элементов достаточно сложен, потребуются нейронные сети [6].

Одними из наиболее распространенных архитектур нейронных сетей являются: полносвязная нейронная сеть (FCNN), сверточная нейронная сеть (CNN), рекуррентная нейронная сеть (RNN) и графовая нейронная сеть (GNN). Они могут работать со всеми возможными представлениями информации, однако, проблема заключается в том, насколько хорошо они способны удерживать представление о связи элементов информации между собой. Ниже приведены краткие характеристики и наиболее частое использование данных архитектур нейронных сетей.

FCNN. Такая архитектура используется для самых разных типов информации от простых чисел, до изображений и звуков. Однако удерживать структуру, т. е. «помнить» о связи элементов на входе между собой, не может в принципе. Кроме этого, данная нейронная сеть способна принимать только заданный изначально размер информации, соответственно, работать с разным количеством элементов не сможет.

CNN. В основном используется для обработки изображений. Однако данная архитектура не может удерживать структуру и также не способна принимать информацию разных размеров.

RNN. Чаще всего используется при обработке текстовой информации. Может на короткое время удерживать простые связи между единицами информации, при этом размер информации может быть разный. Однако чем длиннее подаваемая на вход информация, тем хуже в памяти сети удерживается взаимосвязь первых с последними единицами информации. Так как современные микросхемы, которые будут размещаться, достаточно большие БИС (от нескольких сотен тысяч элементов), то данная архитектура окажется бесполезной.

GNN. Работает с графами, которые могут представлять различные закодированные виды информации. Кроме этого, данная сеть удерживает структуру графа и может принимать графы разного размера, при условии, что характеристики у вершин и соединений единые.

Таким образом, выбрана графовая нейронная сеть.

Тогда задача размещения элементов БИС на БМК будет выглядеть следующим образом [7]:

где — веса аппроксимирующей функции, т. е. нейронной сети, — политика агента, G — граф, представляющий размещение элементов множества E в ячейки множества P, — награда,

— функция ценности.

Нейронная сеть будет использоваться для оценивания размещения. Для этого требуется представить граф БИС особым образом (рис. 1) — подобрать необходимые важные для оценки характеристики.

Рис. 1. Представление части БИС в виде графовой структуры с векторами характеристик узлов и весами соединений

Полученные результаты

Размещение элементов БИС по разработанному методу выполняется поэтапно (рис. 2). Перед началом размещения выполняются подготовительные работы: сборка информации о БИС, соединениях элементов, периферийных элементах и их размещении, конструкции и площади БМК.

Рис. 2. Метод размещения элементов БИС с использованием агента глубокого обучения с подкреплением

На первом этапе выполняется конвертирование полученной информации в рабочие структуры данных.

Следующим этапом идет непосредственно пошаговое размещение элементов БИС. В этот момент агент получает доступ к очереди размещаемых элементов, графовой структуре и представлению БМК. Размещение происходит в несколько шагов, повторяющихся по кругу друг за другом до того момента, пока не опустеет очередь элементов на размещение.

На этапе утверждения размещения происходит оценка размещения по базовым метрикам, затем, если размещение признано удовлетворительным, оно передается на трассировку. Для оценки окончательного размещения будут использоваться средние показатели метрик из базы по схожим микросхемам. После трассировки будут выполняться обычные общие проверки, в том числе расчет задержек. Если все тесты пройдены, то размещение считается успешно выполненным. В случае проблем выполняется возврат к предыдущим этапам.

Заключение

Основываясь на результатах научных исследований, связанных с внедрением искусственного интеллекта в смежных областях, а также на анализе различных методов и средств, использование глубокого обучения с подкреплением приведет к значительным улучшениям.

Основное направление будущих исследований связано с разработкой тестового модуля для внедрения в процесс разработки микросхем САПР «Ковчег» для тестирования и сравнения результатов с действующими методами размещения элементов БИС.

Литература:

1. Гагарина Л. Г., Колдаев В. Д. Алгоритмы и структуры данных. — М.: Финансы и статистика, 2009.
2. Макушин М. В., Фомина А. В. Искусственный интеллект и рентабельность как движущие факторы развития САПР. // Электроника: наука, технология, бизнес. № 4 (185). С. 90–100.
3. Goldie A., Mirhoseini A. Placement Optimization with Deep Reinforcement Learning. // Proceedings of the International Symposium on Physical Design, 2020. C. 2–7.
4. Гаврилов С. В., Денисов А. Н., Коняхин В. В. [под ред. Чаплыгина Ю. А.] Система автоматизированного проектирования «Ковчег 2.1». — М.: Микрон-Принт, 2001.
5. Richard S. Sutton, Andrew G. Barto. Reinforcement Learning. An Introduction. Second edition. — The MIT Press, Cambridge, Massachusetts, London, England, 2020.
6. Yao Ma, Jiliang Tang. Deep learning on Graphs. — Cambridge University press, 2021.
7. Miguel Morales. Grokking Deep Reinforcement Learning. — MANNING, Shelter Island, 2020.