[論文レビュー] LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction

Bowen Wang, Guibao Shen+8 more|arXiv (Cornell University)|Mar 24, 2022

VLSI and FPGA Design Techniques被引用数 8

ひとこと要約

本稿では、幾何的およびトポロジカルなメッセージパッシングを統合した非均質なグラフ構造を用いてVLSI回路の混雑状態をモデル化する、ラティス超グラフニューラルネットワーク（LHNN）を提案する。ルーティング要件の同時回帰と混雑状態の分類により、ISPD 2011およびDAC 2012ベンチマークにおいてU-NetおよびPix2Pixと比較してF1スコアが35%以上も向上し、混雑予測の精度とロバスト性に優れていることを示している。

ABSTRACT

Precise congestion prediction from a placement solution plays a crucial role in circuit placement. This work proposes the lattice hypergraph (LH-graph), a novel graph formulation for circuits, which preserves netlist data during the whole learning process, and enables the congestion information propagated geometrically and topologically. Based on the formulation, we further developed a heterogeneous graph neural network architecture LHNN, jointing the routing demand regression to support the congestion spot classification. LHNN constantly achieves more than 35% improvements compared with U-nets and Pix2Pix on the F1 score. We expect our work shall highlight essential procedures using machine learning for congestion prediction.

研究の動機と目的

• 現在の機械学習モデルが、ネットリスト情報を無視し、幾何的受容領域に依存する傾向にあることによる限界を是正すること。
• 学習プロセス全体において完全なネットリストデータを保持し、回路表現におけるトポロジカルおよびジオメトリカルなメッセージ伝達を可能にすること。
• マルチヘッド監視を用いてルーティング要件の回帰と混雑状態の分類を同時に学習することで、予測精度を向上させること。
• ネットリストおよびレイアウトデータから意味のある特徴を自動的に生成するグラフニューラルネットワークアーキテクチャを構築し、手作業による特徴抽出に依存しないようにすること。

提案手法

• ネットリスト表現に超グラフを、レイアウト表現にラティスグラフを統合したラティス超グラフ（LH-グラフ）を提案し、完全なネットリスト構造を保持する。
• トポロジカル（超グラフ）およびジオメトリカル（ラティス）な接続にそれぞれ別々のメッセージパッシングモジュールを備えた非均質なグラフニューラルネットワーク、LHNNを設計する。
• ルーティング要件マップと混雑マスクの両方を学習することで、マルチヘッド監視を実装し、補完的な信号学習を可能にする。
• ネットリストおよびレイアウトデータからピン密度やネット密度といったGセル特徴を自動的に抽出する特徴生成モジュールを導入する。
• 長距離のトポロジカルおよびジオメトリカルな依存関係を捉えるために、メッセージパッシングブロックに残差接続およびマルチヘッドアテンション機構を適用する。
• 訓練中に混雑マップのクラス不均衡に対処するため、ラベルバランス化に要因γを用いる。

実験結果

リサーチクエスチョン

• RQ1 学習中に完全なネットリストデータを保持するグラフニューラルネットワークは、CNNベースの手法と比較して混雑予測精度を向上させることができるか？
• RQ2 ルーティング要件と混雑状態の分類を同時に学習することは、VLSI配置における単一タスク学習よりも優れた性能をもたらすか？
• RQ3 ネットを介したトポロジカルな接続は、純粋にジオメトリカルなメッセージパッシングと比較して、どれほど混雑予測の正確性に寄与するか？
• RQ4 ネットリストおよびレイアウトデータから、手作業による特徴抽出に依存しない意味のある特徉を自動的に生成できるか？

主な発見

• LHNNは、ユニチャネル混雑予測タスクにおいて、U-Netに対して37.44%、Pix2Pixに対して35.39%のF1スコア向上を達成した。
• 超グラフメッセージパッシングモジュールを削除すると性能低下が最大となり、トポロジカルな接続が正確な予測に不可欠であることが示された。
• 同時回帰と分類のブランチが性能を著しく向上させ、ルーティング要件マップが重要な監視信号を提供することが確認された。
• Gセル特徴（ピン密度やネット密度など）を削除しても、LHNNはF1スコア38.02を維持し、グラフ学習によって特徴を回復できることを示した。
• アブレーションスタディにより、ジオメトリカルおよびトポロジカルなメッセージパッシングの両方が不可欠であり、LatticeMPおよびHyperMPモジュールがそれぞれモデル性能に顕著な寄与をしていることが確認された。
• 可視化結果から、LHNNは混雑度が異なる回路をベースラインモデルと比較してより明確に区別できており、誤検出および見逃しの減少が確認された。