Core Concepts
学習駆動型物理的に認識された大規模回路ゲートサイジングのフレームワークは、効率的にタイミングパフォーマンスを最適化する。
Abstract
ゲートサイズの重要性と既存手法の問題点が指摘される。
学習駆動型アプローチが提案され、多数のタイミングパスと物理情報を組み合わせてタイミング最適化を実現する。
モデルのトレーニングや評価結果が示され、他手法と比較して高い精度と効率性が確認される。
グラデーション生成やゲートサイズ更新方法が詳細に説明される。
実験結果から、提案手法は他手法よりも高速で優れたタイミング最適化を実現することが示唆される。
Stats
本研究では、平均16.29%/18.61%のTNS/WNS改善および商用ゲートサイジングツールICC2と比較して6.64倍の高速化を達成した。
Quotes
"Our work achieves higher timing performance improvements in a faster way compared with the commercial gate sizing tool."