그래프 신경망 기반의 설계 기술 공동 최적화를 위한 빠른 셀 라이브러리 특성화

Conceitos essenciais

그래프 신경망 기반의 기계 학습 모델을 사용하여 다양한 공정-전압-온도 조건과 기술 매개변수에 걸쳐 빠르고 정확한 셀 라이브러리 특성화를 달성한다.

Resumo

이 논문은 설계 기술 공동 최적화(DTCO)를 위한 빠르고 정확한 셀 라이브러리 특성화 방법을 제안한다. 제안된 방법은 그래프 신경망(GNN) 기반의 기계 학습 모델을 사용하여 셀 구조를 고려하고 다양한 공정-전압-온도(PVT) 조건과 기술 매개변수에 걸쳐 우수한 예측 정확도를 달성한다.

실험 결과, 512개의 보이지 않은 기술 조건과 100만 개 이상의 테스트 데이터에 대해 33가지 셀 유형의 지연 시간, 전력 및 입력 핀 커패시턴스를 0.95% 이하의 평균 절대 백분율 오차(MAPE)로 정확하게 예측하며, SPICE 시뮬레이션 대비 100배 빠른 속도를 보였다. 또한 예측된 결과를 바탕으로 시스템 수준의 최악 음의 슬랙(WNS), 누설 전력 및 동적 전력을 정확하게 예측할 수 있음을 보였다.

추가적으로, 제안된 모델을 활용하여 세분화된 구동 강도 보간 방법론을 개발하였고, 이를 통해 소규모-중규모 설계에서 약 1-3%의 전력, 성능 및 면적(PPA) 향상을 달성하였다.

Estatísticas

45nm 실리콘 기술에서 33개 셀 유형의 지연 시간, 전력 및 커패시턴스 예측 MAPE는 0.95% 이하
유연 기술에서 33개 셀 유형의 커패시턴스와 지연 시간 예측 R2 점수는 각각 0.9961과 0.9924
10개 벤치마크 회로에 대한 최악 음의 슬랙(WNS) 오차는 3.0 ps 이하
누설 전력과 동적 전력 예측 오차는 각각 0.60% 이하, 0.99% 이하
제안된 모델은 SPICE 시뮬레이션 대비 100배 빠른 속도 달성

Citações

"그래프 신경망(GNN)은 회로 데이터를 그래프 형태로 표현하고 처리할 수 있는 고유한 능력으로 인해 설계 자동화 분야에서 주목받고 있다."
"제안된 GNN 기반 모델은 셀 구조를 고려하고 다양한 PVT 조건과 기술 매개변수에 걸쳐 우수한 예측 정확도를 달성한다."
"제안된 세분화된 구동 강도 보간 방법론을 통해 소규모-중규모 설계에서 약 1-3%의 전력, 성능 및 면적(PPA) 향상을 달성하였다."

Principais Insights Extraídos De

Fast Cell Library Characterization for Design Technology Co-Optimization Based on Graph Neural Networks

by Tianliang Ma... às arxiv.org 03-20-2024

https://arxiv.org/pdf/2312.12784.pdf

Perguntas Mais Profundas

셀 라이브러리 특성화를 위한 그래프 신경망 모델의 성능을 더욱 향상시키기 위해 어떤 추가적인 기술적 혁신이 필요할까

셀 라이브러리 특성화를 위한 그래프 신경망 모델의 성능을 더욱 향상시키기 위해 추가적인 기술적 혁신이 필요합니다. 한 가지 가능한 방법은 더 복잡한 셀 구조와 시간 특성을 다룰 수 있는 더 깊은 신경망 구조를 도입하는 것입니다. 예를 들어, 더 많은 레이어와 더 많은 뉴런을 사용하여 모델의 복잡성을 높이고, 더 정교한 특성을 학습할 수 있도록 하는 것이 도움이 될 수 있습니다. 또한, 데이터 전처리 기술을 개선하여 더 정확한 입력 데이터를 모델에 제공하는 것도 중요합니다. 더 많은 특성을 고려하고, 더 많은 데이터를 활용하여 모델을 더욱 효과적으로 학습시키는 것이 성능 향상에 도움이 될 것입니다.

기존 셀 라이브러리 특성화 방법과 제안된 GNN 기반 방법의 장단점은 무엇이며, 어떤 응용 분야에서 각 방법이 더 적합할까

기존 셀 라이브러리 특성화 방법과 제안된 GNN 기반 방법의 장단점은 다음과 같습니다. 기존 방법은 전통적인 SPICE 시뮬레이션을 사용하여 셀 특성을 추정하는 데 시간이 많이 소요되고 비용이 많이 들지만, 정확성이 높습니다. 반면, GNN 기반 방법은 빠르고 비용 효율적이지만, 일반화 능력이 떨어질 수 있습니다. 각 방법은 다른 응용 분야에 더 적합할 수 있습니다. 예를 들어, 정확성이 중요한 경우에는 기존 방법이 더 적합할 수 있으며, 빠른 속도와 효율성이 중요한 경우에는 GNN 기반 방법이 더 적합할 수 있습니다.

셀 라이브러리 특성화와 관련된 설계 기술 공동 최적화(DTCO) 프로세스를 더욱 발전시키기 위해서는 어떤 새로운 접근법이 필요할까

셀 라이브러리 특성화와 관련된 설계 기술 공동 최적화(DTCO) 프로세스를 발전시키기 위해서는 새로운 접근법이 필요합니다. 예를 들어, 더 복잡한 셀 구조와 시스템 수준 메트릭을 고려하는 GNN 모델을 개발하여 DTCO 프로세스에 적용하는 것이 가능합니다. 또한, 더 많은 데이터를 활용하여 모델을 학습시키고, 다양한 기술 파라미터에 대한 일반화 능력을 향상시키는 것도 중요합니다. 더욱 정확하고 효율적인 모델을 개발하여 DTCO 프로세스를 더욱 효과적으로 지원하는 것이 필요합니다.