后端在floorplan階段，如何擺放macro是一個很重要的問題。如果采用層次化設計，對于每一個block來說都需要在block內部把所分配的macro擺好。

如果某一個block里的macro很多，又很大，std cell再多一些，utilization就會很大，相應的這個block的floorplan就比較難做，而其他block的utilization很小，這樣的design就不太好。

我們總是希望所有的block都能有差不多的utilization，平均且充分地利用芯片的每一塊面積，這就需要在block劃分初期就做好預估。

這個問題需要前端與后端協調配合，block的劃分是需要前端提供帶有hierarchical結構的netlist，然而前端在做hierarchical的綜合的時候，并不會過多考慮后端物理層面的信息，因此可能綜合出的netlist各個block物理上不是那么均衡。

當然，這種netlist也是可以物理實現的，只是對于有些要求比較高的design來說，最后出來的芯片性能可能會有所不足。

這個時候后端工程師就可以反饋，比如說，把某個block的某個macro綜合到另一個block里去，或者兩個block就直接merge變為綜合成一個block。收到反饋以后，前端工程師就可以重新綜合，再給我們新的netlist來做物理實現。

以上這個過程可能需要迭代幾次才能達到最佳效果，但這樣會需要花費很多時間，導致芯片設計周期變長。一種更快速的方案是，前端首先綜合出flatten的netlist，就是不帶任何hierarchical信息的，出這種netlist的速度應該相對快一點。

后端拿到flatten的netlist之后，就知道了macro以及有關的std cell的面積了，這樣后端就可以直接通過這些物理信息和邏輯信息來劃分block，再把分配好的結果給前端，前端就可以參考這樣的分配來做hierarchical層級。

不管是flatten的綜合還是hierarchical的綜合，出來的cell的count或area是差不多的，因此后端在拿到hierarchical的netlist之后，做出來的block物理情況應該也與之前用flatten netlist的預估差不多。

有一個可能疑惑的地方是，這里前端給的netlist永遠是總的芯片的所有的netlist，不管是flatten還是帶hierarchical結構的netlist都是一個file。

我們后端也會做netlist的劃分，不過是根據前端給的那份netlist切割成好多個netlist給不同的block來用，相當于把一個文件變成多個文件，每個block拿一個，分割的依據是總的netlist的hierarchical結構。

有的時候資本家覺得上面的方法還是慢，并且還想追求比較好的芯片性能，就有人想出了更為討巧的辦法。這個方法犧牲了一定的準確度，但大大提高了速度。

就是說前端在綜合之前就把ip和所用macro的信息提供給后端，而后專門有工程師來利用大數據機器學習的方法預估出每個ip相關的std cell的area和count。

沒錯，機器學習也應用到芯片領域了，一個ip在之前的芯片中用的越多，樣本量就越大，學習的效果就越好。

后端就可以根據這一份預估的結果來進行block劃分，然后把劃分結果反饋給前端，前端就可以直接按這個方案綜合，綜合次數最少僅需一次！芯片設計周期大大縮短，但相應的劃分的準確度也較難保證。