详情

原文传递基于深度学习的布局布线违规预测算法研究

论文题名：	基于深度学习的布局布线违规预测算法研究
关键词：	布局布线违规预测算法;深度学习;全卷积神经网络
摘要：	随着技术节点的不断下降，全局拥塞图与详细布线后设计规则违反（DRV）的差距越来越大，传统工具使用拥塞图指导绕线容易导致DRC违规较多，违规无法修正时需要返回布局阶段修改，使物理设计周期较长。早期预测可以在详细布线之前快速的预估可能出现的违规，预测违规数量较大时在布局阶段修改设计，主动避免设计规则违反，缩短物理设计的周期。　　本文提出了一种使用深度学习预测详细布线后DRC违规的方法，预测65nm下的DRC违反。从全局布线后版图数据中提取特征，使用深度学习FCN-DenseNet的模型预测违规的位置。本文整体结构可以分为特征提取以及深度学习模型构建两部分，进行了以下的相关工作。　　首先是特征提取，使用商用工具Innovus完成自动布局布线，保存APR各阶段的信息以及DRC检查报告。本文的版图数据较少，为了满足深度学习需要的样本数量，本文对版图进行了分割，将完整的版图划分成为许多大小相同的小样本用于训练和预测。为了捕获宏模块对DRV的影响，本文使用的样本窗口值较大。版图中绝大部分地区是没有DRV的，版图分割后包含DRV区域的正样本数量占比不到负样本的1/20。同时为了增加正样本的数量和质量，本文调整Macro的位置来获得DRV较多的布局。本文对训练样本的选择加入限制，其一是正样本和负样本的比例，其二是根据正样本中DRV像素的比例选择不同的正样本。实验结果充分说明训练样本进行处理后，预测模型准确性更高。　　本文将DRV预测任务建模为图像检测的问题，使用全卷积神经网络模型FCN-DenseNet，实现图像像级别的预测。通过阅读论文和实际分析，选择拥塞图、宏模块、引脚密度和RUDY这四种特征，将其处理成图像作为模型的输入。其中拥塞图、引脚密度以及RUDY处理为热图，色谱表示参照Innovus的参数。本文从设计规则检测报告中获得设计规则违反区域的坐标，根据坐标位置生成二值标签图，避免手动标注。利用深度学习框架Pytorch搭建FCN-DenseNet网络模型，该模型使用密集连接的方式，所需参数较少，训练过程中加载预训练模型来缩短模型的训练时间。模型使用3次反卷积来恢复数据到输入图像的大小，融合浅层的特征信息提升输出图像的精度。　　本文进行多组实验，通过调整输入样本来提高预测模型的精度。训练时删除完全与Macro重叠的样本，预测结果MIoU提升了21.11%。训练时控制不同DRV比例的正样本的数量以及负样本的数量均衡时，模型预测结果比没有控制训练样本时有显著的提升。本文还尝试了不同的分割窗口，实验结果表明当窗口选择20×20时，预测结果比10×10窗口提升了5.73%，比5×5窗口提升了35.39%。一些样本DRV预测的准确率可以达到90%。模型预测速度很快，单样本预测时间在0.1s左右。
作者：	樊沁春
专业：	软件工程
导师：	李康;赵海涛
授予学位：	硕士
授予学位单位：	西安电子科技大学
学位年度：	2021