[論文レビュー] Customized Routing Optimization Based on Gradient Boost Regressor Model

Zheng Chen, Clara Grzegorz Kasprowicz+1 more|arXiv (Cornell University)|Oct 28, 2017

Text and Document Classification Technologies参考文献 10被引用数 8

ひとこと要約

本稿では、電子設計自動化（EDA）におけるタイミングクロージャを改善するために、勾配ブースティング回帰モデル（GBR）を用いた機械学習フレームワークを提案する。関連する特徴量を抽出し、予測された高リスクネットにカスタマイズされたルーティングを適用することで、測定可能なタイミング改善が達成され、タイミングクロージャに向けた収束が実現される。

ABSTRACT

In this paper, we discussed limitation of current electronic-design-automoation (EDA) tool and proposed a machine learning framework to overcome the limitations and achieve better design quality. We explored how to efficiently extract relevant features and leverage gradient boost regressor (GBR) model to predict underestimated risky net (URN). Customized routing optimizations are applied to the URNs and results show clear timing improvement and trend to converge toward timing closure.

研究の動機と目的

• 現在の電子設計自動化（EDA）ツールがタイミングクリティカルなネットを効率的に同定できないという限界に対処すること。
• 予測されにくく、リスクの高いネット（URNs）を特定する機械学習アプローチを開発すること。
• 予測された高リスクネットに対するカスタマイズされたルーティングにより、設計品質とタイミングクロージャを向上させること。
• GBRベースの予測が、従来の手法よりもより効果的かつ効率的なルーティング最適化を可能にすることを実証すること。

提案手法

• 設計データからドメイン固有の特徴量を抽出し、ネットの特性とルーティングの複雑さを表現する。
• 勾配ブースティング回帰モデル（GBR）を訓練し、各ネットのリスクレベルを予測することで、タイミング違反を引き起こす可能性の高いネットを特定する。
• 過去の設計データ（既知のタイミング問題を有する）を用いてモデルをキャリブレーションし、予測精度を向上させる。
• カスタマイズされたルーティング最適化を、GBRモデルによって高リスクと予測されたネットにのみ選択的に適用する。
• 従来のEDAフローと統合可能であり、完全な再ルーティングなしに段階的な改善が可能である。
• 特徴量工学は、タイミング関連の指標、混雑度インジケータ、ネットトポロジーに焦点を当て、モデルの関連性を高める。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、EDAルーティングにおいてタイミング違反を引き起こす可能性の高いネットを効果的に予測できるか？
• RQ2 GBRモデルによるリスク予測は、従来のヒューリスティックベースのルーティング優先順位付けと比較してどのように異なるか？
• RQ3 予測された高リスクネットに対するカスタマイズされたルーティングは、全体のタイミングクロージャにどの程度の改善をもたらすか？
• RQ4 GBRベースのフレームワークは、標準的なEDAアプローチと比較して、タイミングクロージャにより信頼性高く収束するか？

主な発見

• GBRモデルは、予測精度が高く、予測されにくくリスクの高いネット（URNs）を的確に同定でき、ターゲット最適化が可能になった。
• 予測されたURNsに対するカスタマイズされたルーティングは、タイミングパフォーマンスに明確で測定可能な改善をもたらした。
• 複数の設計反復において、タイミングクロージャに向けた収束の傾向が示された。
• フレームワークは、高インパクトなネットにのみ最適化を集中させることで、グローバルな再ルーティングの必要性を低減し、効率性を向上させた。
• 従来のEDAツールとの互換性を維持しており、産業的設計フローへの実用的統合が可能である。
• 複数のテストケースにおいて一貫した改善が得られ、ML駆動の最適化戦略の有効性が検証された。