Une enquête du point de vue de l’algorithme

Un article publié dans la revue Sciences Chine Sciences de l’information étudie de manière exhaustive les travaux existants de conception de puces avec des algorithmes ML du point de vue des algorithmes. Pour atteindre cet objectif, les auteurs proposent une taxonomie nouvelle et systématique pour les problèmes cibles à différentes étapes de la conception des puces. La taxonomie vise à guider la sélection et la conception d’algorithmes de ML pour les problèmes cibles, en tenant compte de leurs défis existants, ainsi qu’à fournir un résumé complet de la conception de puces avec des algorithmes de ML pour les chercheurs.

Les auteurs classent les problèmes cibles dans la conception de puces en trois catégories : estimation des résultats de conception, optimisation et correction de la conception, et construction de la conception, qui sont couramment rencontrés à différentes étapes de la conception logique, de la conception des circuits et de la conception physique, ainsi que dans la vérification et la conception physique. test de chaque étape.

Plus précisément, l’estimation des résultats de conception englobe les problèmes qui prédisent ou estiment la qualité de la conception, tels que l’estimation des performances dans la conception logique, l’estimation des chutes IR dans la conception physique et l’analyse temporelle statique (STA) dans la conception logique et la conception physique. L’optimisation et la correction de la conception font respectivement référence à des problèmes qui optimisent la qualité de la conception et corrigent les erreurs de conception, tels que l’exploration de l’espace de conception HLS (DSE) dans la conception logique, l’optimisation logique dans la conception de circuits et le routage détaillé dans la conception physique.

La construction de conception englobe les problèmes qui génèrent des représentations de conception ou ajoutent des objets de conception (c’est-à-dire des composants et des itinéraires), tels que la cartographie physique dans la conception de circuits et le placement global dans la conception physique.

Pour résoudre ces problèmes cibles avec les algorithmes de ML, les auteurs formulent les trois catégories de problèmes cibles comme trois problèmes correspondants en ML : régression, recherche et génération.

Chacun de ces problèmes de ML peut être résolu par divers algorithmes de ML. Plus précisément, le problème d’estimation des résultats de conception est formulé comme un problème de régression et peut être résolu à l’aide de plusieurs algorithmes de ML, notamment le processus gaussien (GP), les splines de régression adaptative multivariées (MARS), l’arbre de décision (DT) et la forêt aléatoire (RF), les neurones. Réseaux (NN) et apprentissage d’ensemble (EL).

Le problème d’optimisation et de correction de la conception est formulé comme un problème de recherche et peut être résolu à l’aide de divers algorithmes de ML, notamment DT & RF, NN et RL. Enfin, le problème de construction de conception est formulé comme un problème de génération et peut être résolu à l’aide de divers algorithmes de ML, notamment l’optimisation bayésienne (BO), les NN et le RL.

Sur la base de la taxonomie, les auteurs examinent de manière exhaustive les travaux existants en termes de problèmes cibles en suivant les étapes suivantes. Leur approche est structurée comme suit : premièrement, ils présentent une définition de chaque problème cible et analysent les raisons inhérentes à l’application des algorithmes de ML pour résoudre ces problèmes cibles.

Deuxièmement, ils mènent une enquête complète en termes de problèmes cibles selon les algorithmes ML. Ils présentent des travaux spécifiques basés sur le ML pour chaque problème cible et expliquent comment ils améliorent les outils de conception de puces d’origine basés sur des algorithmes conventionnels.

Enfin, ils concluent en mettant en évidence trois défis clés qui restent non résolus dans les travaux existants et fournissent plusieurs informations pour les recherches futures sur la conception de puces avec des algorithmes ML, notamment la génération de bout en bout en une seule étape et la génération de bout en bout en plusieurs étapes. , la génération de bout en bout du processus complet, l’amélioration de la praticabilité et autres, que les auteurs espèrent stimuler la recherche sur la conception de puces avec le ML.

En établissant un lien clair entre les problèmes de conception de puces et les solutions ML correspondantes, l’enquête vise à faire la lumière sur la voie vers l’intelligence de conception de puces à partir de l’automatisation précédente de la conception de puces.

À la connaissance des auteurs, cet article est le premier ouvrage à étudier de manière exhaustive la conception de puces avec ML du point de vue de l’algorithme. Les auteurs résument les principales contributions de cette enquête comme suit :

1. Analyse approfondie de la conception des puces. Les auteurs décortiquent le processus communément adopté de conception de puces et analysent les étapes clés des différentes étapes de conception (c’est-à-dire la conception logique, la conception des circuits et la conception physique) ainsi que la vérification et le test de chaque étape, où la conception clé, les avantages, et les inconvénients des étapes sont analysés.
2. Taxonomie innovante. Les auteurs classent les problèmes cibles en trois catégories (c’est-à-dire l’estimation des résultats de la conception, l’optimisation et la correction de la conception et la correction de la conception) et les formulent respectivement en trois problèmes de ML : régression, recherche et génération.
3. Enquête complète. Sur la base de la taxonomie, les auteurs présentent la définition de chaque problème cible et analysent les raisons inhérentes pour lesquelles les algorithmes de ML sont utilisés pour résoudre les problèmes cibles. Les auteurs mènent également une enquête complète en termes de problèmes cibles basée sur différents algorithmes de ML.
4. Travaux futurs. Enfin, les auteurs concluent en soulignant trois défis clés qui restent non résolus dans les travaux existants et donnent un aperçu du développement futur de la conception de puces avec des algorithmes ML, que les auteurs espèrent stimuler la recherche sur la conception de puces avec ML.