[논문 리뷰] Net2: A Graph Attention Network Method Customized for Pre-Placement Net Length Estimation

Zhiyao Xie, Rongjian Liang외 4명|arXiv (Cornell University)|2020. 11. 27.

VLSI and FPGA Design Techniques참고 문헌 24인용 수 6

한 줄 요약

이 논문은 VLSI 설계에서 사전 배치(net length) 추정을 위한 맞춤형 그래프 어텐션 네트워크(GAT) 방법 Net²을 제안한다. 회로 분할과 어텐션 메커니즘을 통해 전반적인 회로 구조를 활용함으로써 Net²는 이전 방법보다 15% 높은 정확도로 긴 넷과 임계 경로를 식별하며, 배치보다 1000배 이상 빠른 버전을 제공한다.

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.

연구 동기 및 목표

• 셀 배치 이전에 개별 넷 길이를 추정하는 문제를 다루며, 초기 설계 단계에서 타이밍 및 전력 최적화에 필수적인 요구사항을 충족한다.
• 이전 방법들이 국소적 구조에만 의존하고 넷 길이 예측에서 전반적인 구조적 맥락을 누락한다는 한계를 극복한다.
• 레이out 인식 기반 로직 합성과 초기 단계 최적화를 지원하기 위해 정확하고 효율적인 넷 길이 추정을 가능하게 한다.
• 맞춤형 특징과 분할 기법을 사용한 그래프 어텐션 네트워크를 활용해 넷리스트 그래프 내 장거리 의존성을 포착하는 딥러닝 접근법을 개발한다.
• 정확도와 속도의 균형을 위해 두 가지 변종인 Net²a(정확도 중심)와 Net²f(빠른 추론)를 도입한다.

제안 방법

• 노드는 셀을, 엣지는 넷을 나타내는 넷리스트 그래프를 구축하며, 엣지 특징은 구조적 및 구조적 정보를 캡슐화한다.
• 학습 가능한 어텐션 계수를 사용해 이웃 노드의 동적 가중치를 부여함으로써 그래프 어텐션 네트워크(GAT)를 적용해 노드 표현을 집계한다.
• 전역 정보를 추출하기 위해 회로 분할 전략을 도입한다: 설계가 클러스터로 분할되고, 클러스터 간 엣지는 장거리 의존성을 모델링하는 데 사용된다.
• 넷의 차수, 셀 간 거리, 구조적 거리 등을 캡슐화한 엣지 특징(F0–F3)을 처리하기 위해 엣지 컨볼루션 레이어를 사용하여 특징 표현을 향상시킨다.
• 사전 배치 넷리스트에서 실제 넷 길이를 예측하기 위해 회귀 손실을 사용해 모델을 엔드 투 엔드로 훈련시킨다.
• 두 가지 변종을 배포한다: 속도를 위한 Net²f(분할 없음, 단일 GAT 레이어), 정확도를 위한 Net²a(분할 및 더 깊은 어텐션 레이어 포함).

실험 결과

연구 질문

• RQ1 그래프 신경망이 배치 이전에 국소적 및 전역적 구조를 모두 포착하면서 개별 넷 길이를 효과적으로 추정할 수 있는가?
• RQ2 분할을 통한 전역 회로 구조 통합이 국소 모델 대비 넷 길이 추정 정확도에 어떻게 기여하는가?
• RQ3 이 경우에서 어텐션 기반 메시지 전달 방식이 전통적 GNN 또는 완전 연결 네트워크보다 얼마나 우월한가?
• RQ4 사전 배치 넷 길이 추정에서 추론 속도와 정확도 사이의 상호 교환 관계는 어떠한가? 동시에 빠르고 정확한 모델을 만들 수 있는가?
• RQ5 다양한 엣지 특징(F0–F3)이 모델의 예측 성능에 어떻게 기여하는가?

주요 결과

• Net²a는 이전 방법보다 15% 높은 정확도로 10% 긴 넷을 식별하며, 벤치마크 전반에서 평균 ROC AUC가 92.2%를 기록한다.
• Net²f는 표준 배치보다 1000배 이상 빠르며 뛰어난 정확도를 유지하여 실시간 최적화에 적합하다.
• 넷 연결 패턴을 나타내는 F1 엣지 특징의 포함이 정확도 향상에 가장 크게 기여한다.
• 더 굵은 셀 분할(적은 P)을 사용하면 추론 시간이 약 1.5배 감소하고 Net²a 정확도의 91.6%를 유지하여 분할의 세밀함에 대해 강건함을 입증한다.
• GNN가 없는 모델(Edge ANN)은 가장 열 劣한 성능을 보이며, GAT를 통한 메시지 전달이 구조적 맥락을 포착하는 데 필수적임을 확인한다.
• Net²a는 배치보다 10배 이상 빠르며, 표준 벤치마크에서 모델 훈련에 약 30분이 소요된다.