布局(Placement)是芯片后端設計中最需要全局視角的步驟,它前置約束所有后續環節,直接決定了PPAC(Performance、Power、Area、Congestion)各項指標趨勢和設計目標實現的可行性。
現代P&R工具中,Placement已經不再是一個獨立的引擎算法,它涉及Placer、Timer、Router、Optimizer等多引擎的聯動配合,使用者除設置常用的物理約束和優化策略外,還需調整前述各種引擎參數,使得各引擎實現相互支撐、聯合優化,由于各個引擎參數都比較繁雜,這種調整通常比較耗時且收益較慢。
AmazeME-Place 簡介
芯行紀全新發布機器學習優化工具AmazeME-Place,基于機器學習算法,探索P&R工具的“Placement + Optimization”聯合優化策略。它將時序WNS、時序TNS、靜態功耗、動態功耗、總線長、阻塞等指標進行多維度考核,在各引擎參數構成的巨大解空間里探索分析和迭代優化有效參數,找到多維度指標上的最優解,給出實現布局階段的最佳PPAC指標的參數集。
布局優化階段,各相關引擎構成的參數解空間是巨大的,各參數間的耦合性和依賴性也并不確定,AmazeME-Place通過對各引擎全參數形成混合參數,并自適應的學習混合參數互信息與PPAC指標的相關性,找到參數與指標的最佳耦合點。
下圖所示是AmazeME-Place主界面,它顯示了在布局和優化階段各探索Trial的實時運行狀態,每個探索Trial的多維度指標得分細節,以及各個Trial動態綜合排序。

圖1:AmazeME-Place主界面
AmazeME-Place 功能亮點
(1)全自動參數選擇和探索
布局優化階段所涉及的Placer、Timer、Router、Optimizer等多引擎全參數自動調參,默認情況下無需用戶過多干預;(2)精準的多指標考核系統
內置精準的PPAC多維度指標考核系統,覆蓋了時序WNS、時序TNS、靜態功耗、動態功耗、總線長、阻塞等重要指標;
(3)更智能高效的探索效率
通過對混合參數和多維度指標的相關性探索,可大幅減少探索空間,利用有限的機器資源和迭代次數,快速找到參數空間最優解;
(4)用戶可配置參數和指標
支持用戶自定義的參數列表探索,以及用戶期望的指標列表探索,精準實現用戶需求;
(5)具有較好的移植泛化性
自適應的機器學習算法,使得AmazeME-Place泛化應用在不同的P&R工具成為可能。
客戶端實測案例
此案例為一個復雜接口模塊,在用戶流程中為滿足布局階段的時序要求,已將利用率適當降低,但仍有繞線阻塞現象,且存在較大較多的繞線熱區,同時翻轉功耗較大,用戶在嘗試多輪參數調整后,仍無明顯收斂趨勢。
在人工調整難有明顯收益的情況下,AmazeME-Place通過全參數探索,并重點探索學習阻塞優化策略和線長優化策略,最終實現多維度綜合指標提升69%,繞線熱區指標和總線長指標分別提升68.5%和23.1%,同時時序WNS和時序TNS未有變化。
下圖是AmazeME-Place的PPAC多維度綜合指標收斂趨勢圖,從各指標探索的趨勢來看,AmazeME-Place在較前期的探索學習中,快速并連續確定阻塞優化策略方向和線長優化策略方向,并在較中期持續深度優化阻塞指標和線長指標,在有限迭代探索中快速得到各項指標收益,并可沿優化策略方向繼續向前探索。

圖2:AmazeME-Place PPAC多維度綜合指標收斂趨勢圖
下圖為AmazeME-Place在全參數探索學習中,某一時刻的若干混合參數和綜合指標的互信息相關性截圖,它表征了混合參數的探索空間,以及綜合指標的考核情況,顏色越深則表示相關性越強,探索方向正確。

圖3:AmazeME-Place混合參數和綜合指標互信息相關性示意圖
下圖則展示了與用戶流程相比,經AmazeME-Place探索后得到的布局優化后各指標情況:

圖4:AmazeME-Place 布局優化指標對比圖
機器學習正在讓越來越多的EDA工具變得更加的高效,芯行紀在推出Floorplan階段的機器學習配套工具后,越來越多的商用落地證明了性能和效率永遠是芯片設計者的追求,而Placement階段的機器學習方案AmazeME-Place在進一步讓芯片設計更加智能化、精準化。芯行紀也將繼續耕耘更多的AI方案落地,助力芯片設計企業在激烈的市場競爭中脫穎而出。
關于芯行紀
芯行紀科技有限公司(簡稱“芯行紀”)成立于2020年,是一家專注于數字實現EDA方案的高新技術創新企業。公司匯聚電子設計自動化與芯片設計領域頂尖人才,在國內率先將機器學習和分布式計算技術深度應用于數字實現EDA領域,憑借卓越的研發實力構建起持續進化的自主數字實現EDA工具平臺。
芯行紀數字實現EDA產品矩陣涵蓋多款創新工具,包括國內首款全自研數字布局布線工具AmazeSys、智能布局規劃工具AmazeFP、智能布局規劃機器學習方案AmazeFP-ME、一站式工程修復優化工具AmazeECO、快速DRC & DFM收斂工具AmazeDRCLite,以及工業軟件許可文件管理系統Industriallm。
目前,芯行紀自主研發的EDA產品已廣泛應用于國內頭部芯片設計和制造企業,累計服務近40家客戶,覆蓋人工智能、智慧汽車、5G、云計算等眾多新一代信息技術產業,賦能集成電路產業高速發展。
-
芯片
+關注
關注
463文章
54010瀏覽量
466151 -
機器學習
+關注
關注
66文章
8553瀏覽量
136959 -
后端設計
+關注
關注
0文章
15瀏覽量
8799
原文標題:芯行紀發布機器學習優化工具AmazeME-Place
文章出處:【微信號:gh_2894c3fc5359,微信公眾號:芯行紀】歡迎添加關注!文章轉載請注明出處。
發布評論請先 登錄
基于SLM的樣條擬合優化工具箱
Matlab優化工具箱學習
利用MATLAB工具箱中的整定優化工具箱直接優化所輸出的曲線
AutoKernel高性能算子自動優化工具
AMD Fusion for Gaming優化工具1.0正式
芯行紀宣布推出布局布線工具AmazeSys
芯行紀機器學習優化工具AmazeME-Place簡介
評論