[論文レビュー] Net2: A Graph Attention Network Method Customized for Pre-Placement Net Length Estimation

Zhiyao Xie, Rongjian Liang+4 more|arXiv (Cornell University)|Nov 27, 2020

VLSI and FPGA Design Techniques参考文献 24被引用数 6

ひとこと要約

本稿では、VLSI設計における事前配置段階でのネット長推定のためのカスタマイズされたグラフ自己注意ネットワーク（GAT）手法Net²を提案する。回路の全体的なトポロジーを回路分割と自己注意機構を用いて捉えることで、従来手法に比べ15%高い精度で長ネットとクリティカルパスを特定でき、配置処理より1000倍以上高速なバージョンを実現した。

ABSTRACT

Net length is a key proxy metric for optimizing timing and power across various stages of a standard digital design flow. However, the bulk of net length information is not available until cell placement, and hence it is a significant challenge to explicitly consider net length optimization in design stages prior to placement, such as logic synthesis. This work addresses this challenge by proposing a graph attention network method with customization, called Net2, to estimate individual net length before cell placement. Its accuracy-oriented version Net2a achieves about 15% better accuracy than several previous works in identifying both long nets and long critical paths. Its fast version Net2f is more than 1000 times faster than placement while still outperforms previous works and other neural network techniques in terms of various accuracy metrics.

研究の動機と目的

• セル配置の前段階で個々のネット長を推定する課題に対処すること。これは、早期設計段階におけるタイミング最適化とパワー最適化において不可欠である。
• 従来手法がローカルなトポロジーに依存し、ネット長予測においてグローバルな文脈を欠いているという限界を克服すること。
• レイアウトを考慮した論理合成と早期段階の最適化を支援するため、正確で効率的なネット長推定を可能にすること。
• カスタマイズされた特徴量と分割手法を用いたグラフ自己注意ネットワークを活用し、ネットリストグラフ内の長距離依存関係を捉える深層学習手法を開発すること。
• Net²a（精度重視）とNet²f（高速推論）の2つのバリエーションを導入することで、精度と速度のバランスを図ること。

提案手法

• ノードがセルを、エッジがネットを表すネットリストグラフを構築する。エッジ特徴量はトポロジーおよび構造的情報を符号化する。
• 学習可能な自己注意係数を用いて隣接ノードの重み付けを動的に制御するグラフ自己注意ネットワーク（GAT）を適用し、ノード表現の集約を実現する。
• グローバル情報を抽出するための回路分割戦略を導入する。設計をクラスタに分割し、クラスタ間エッジを用いて長距離依存関係をモデル化する。
• エッジ特徴量（F0–F3）を処理するためのエッジ畳み込み層を用いる。これらはネット次数、セルの近接度、トポロジカル距離を符号化し、特徴表現を強化する。
• 事前配置のネットリストから実際のネット長を予測するため、回帰損失を用いてエンドツーエンドでモデルを学習する。
• 2つのバリエーションをデプロイする：Net²f（分割なし、1層のGAT）は高速性を重視し、Net²a（分割あり、深層の注意層）は精度を重視する。

実験結果

リサーチクエスチョン

• RQ1 グラフニューラルネットワークは、配置前の段階でローカルおよびグローバルなトポロジーを捉えながら、個々のネット長を効果的に推定できるか？
• RQ2 分割を用いて回路のグローバル構造を組み込むことで、ローカルのみに依存するモデルに比べ、ネット長推定の精度はどの程度向上するか？
• RQ3 この文脈において、アテンションベースのメッセージパッシングは、従来のGNNや全結合ネットワークに比べてどの程度優れているか？
• RQ4 事前配置段階でのネット長推定において、推論速度と精度のトレードオフはどのようなものか？また、高速かつ正確なモデルは実現可能か？
• RQ5 異なるエッジ特徴量（F0–F3）は、モデルの予測性能にどの程度寄与しているか？

主な発見

• Net²aは、10%の長ネットを特定する際、従来手法に比べ15%高い精度を達成し、ベンチマーク全体で平均92.2%のAUCを達成した。
• Net²fは標準的な配置処理よりも1000倍以上高速でありながら、優れた精度を維持しており、リアルタイム最適化に適している。
• F1エッジ特徴量（ネット接続パターンを表す）の導入が、精度向上に最も寄与している。
• 粗いセル分割（Pが小さい）を用いることで、推論時間を約1.5倍短縮でき、Net²aの精度の91.6%を維持することができ、分割の粗さに対して頑健であることが示された。
• GNNを含まないモデル（Edge ANN）は最も性能が低く、GATによるメッセージパッシングが構造的文脈を捉えるために不可欠であることを確認した。
• Net²aは配置処理の10倍以上高速であり、標準ベンチマーク上でモデル学習に約30分を要する。