[論文レビュー] Design Rule Violation Hotspot Prediction Based on Neural Network Ensembles

Wei Zeng, Azadeh Davoodi+1 more|arXiv (Cornell University)|Nov 9, 2018

Advancements in Photolithography Techniques参考文献 18被引用数 5

ひとこと要約

本論文は、配置およびグローバルルーティングデータを用いて集積回路設計における設計ルール違反（DRC）ホットスポットを予測するためのニューラルネットワークアンサンブルフレームワークを提案する。PCAに基づく特徴量サブセット選択とソフト投票アンサンブル戦略を統合することで、単一のニューラルネットワークよりも顕著な性能向上を達成し、12のテストケースのうち8つでランダムフォレストを同等または上回る性能を示し、計算コストを最小限に抑えつつ初期段階でのDRC予測能力が優れていることを示している。

ABSTRACT

Design rule check is a critical step in the physical design of integrated circuits to ensure manufacturability. However, it can be done only after a time-consuming detailed routing procedure, which adds drastically to the time of design iterations. With advanced technology nodes, the outcomes of global routing and detailed routing become less correlated, which adds to the difficulty of predicting design rule violations from earlier stages. In this paper, a framework based on neural network ensembles is proposed to predict design rule violation hotspots using information from placement and global routing. A soft voting structure and a PCA-based subset selection scheme are developed on top of a baseline neural network from a recent work. Experimental results show that the proposed architecture achieves significant improvement in model performance compared to the baseline case. For half of test cases, the performance is even better than random forest, a commonly-used ensemble learning model.

研究の動機と目的

• 詳細ルーティングの前にDRCチェックの早期予測を可能にすることで、IC設計におけるDRCチェックの時間的コストを低減すること。
• 配置およびグローバルルーティングからの特徴量を用いてトレーニングされたニューラルネットワークアンサンブルを用いて、DRCホットスポット予測の精度を向上させること。
• 過学習を低減し、モデルの汎化性能を向上させる、体系的で経験的でない特徴量サブセット選択手法の開発。
• ランダムフォレスト（標準的なアンサンブルモデル）と同等または優れた性能を達成しながら、推論コストを低く保つこと。
• TensorFlow や Keras などの一般的なディープラーニングフレームワークを用いた実用的で容易な統合を可能にすること。

提案手法

• 各gセルを表すために、配置およびグローバルルーティングデータから387個の多様な特徴量を抽出する。
• 次元削減および最も変動の大きい線形特徴量を抽出するために、主成分分析（PCA）変換を適用する。
• 目的関数の評価を回避し、トレーニング時間を短縮するために、PCA変換空間からの特徴量サブセットをスマートランダム選択（SRS）方式でサンプリングする。
• 100個の単層ニューラルネットワークからなるアンサンブルをトレーニングし、各学習器がPCA変換された特徴量の異なるサブセットを使用する。
• すべての100モデルの予測をソフト投票戦略で統合し、最終的な2値分類（DRCホットスポットか否か）を出力する。
• モデルはISPD 2015ベンチマークでトレーニングされ、精度、AUC-ROC、AUC-PRの指標を用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 単一のニューラルネットワークモデルと比較して、ニューラルネットワークアンサンブルはDRCホットスポット予測の精度を向上させることができるか？
• RQ2 PCAに基づく特徴量サブセット選択は、過学習を低減させるとともに、トレーニング時間の短縮を図り、モデル性能を向上させることができるか？
• RQ3 PCA空間におけるスマートランダム選択（SRS）方式は、DRC予測のアンサンブル学習において、従来の特徴量サブセット選択手法を上回ることができるか？
• RQ4 本手法で提案されたアンサンブルモデルは、広く用いられるランダムフォレストと比較して、予測性能においてどう異なるか？
• RQ5 本手法によって、設計フローの初期段階でDRCホットスポットを正確に予測することで、時間的にコストのかかる詳細ルーティングの必要性をどの程度低減できるか？

主な発見

• ソフト投票とPCAに基づくサブセット選択を組み合わせた提案されたニューラルネットワークアンサンブルは、すべてのテストケースにおいてベースライン単層ニューラルネットワークより性能が向上した。
• 12のテストケースのうち8つにおいて、本手法はランダムフォレストを上回る受信者操作特性曲線下の面積（AUC-ROC）を達成しており、優れたまたは同等の性能を示している。
• 全テストサンプル全体で、本手法は90.41％のテスト精度と0.9508のAUC-ROCを達成し、ベースラインモデルを上回り、重要な指標においてランダムフォレストと同等または上回っている。
• PCAとSRSの活用により過学習が低減され、汎化性能が向上し、生の特徴量と比較してPCA変換特徴量を用いた際、1つのテストセットを除くすべてのテストセットで性能向上が観察された。
• モデルトレーニングには最大3時間程度を要するが、1つのテストセットあたりの推論時間は1分未塔であり、初期段階の設計フィードバックに実用的である。
• 本フレームワークは、TensorFlow や Keras などの一般的なディープラーニングフレームワークに容易に統合可能であり、既存の設計フローへの統合を可能にしている。