[논문 리뷰] Customized Routing Optimization Based on Gradient Boost Regressor Model

Zheng Chen, Clara Grzegorz Kasprowicz외 1명|arXiv (Cornell University)|2017. 10. 28.

Text and Document Classification Technologies참고 문헌 10인용 수 8

한 줄 요약

이 논문은 전자설계자동화(EDA)에서 시간적 수렴을 향상시키기 위해 기울기 부스팅 회귀 모델(GBR)을 사용하는 기계학습 프레임워크를 제안한다. 관련 특징을 추출하고 예측된 고위험 넷에 대해 맞춤형 루팅을 적용함으로써, 시간 성능 향상과 수렴성 향상이 측정 가능하게 달성된다.

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.

연구 동기 및 목표

• 현재 전자설계자동화(EDA) 도구들이 시간이 중요한 넷을 효율적으로 식별하지 못하는 한계를 해결하기 위해.
• 예측된 위험 넷(URNs)을 특정 최적화에 대상으로 삼는 기계학습 접근법을 개발하기 위해.
• 예측된 고위험 넷에 대한 맞춤형 루팅을 통해 설계 품질과 시간적 수렴을 향상시키기 위해.
• GBR 기반 예측이 기존 방법보다 더 효과적이고 효율적인 루팅 최적화를 가능하게 함을 입증하기 위해.

제안 방법

• 설계 데이터에서 도메인 특화 특징을 추출하여 넷의 특성과 루팅 복잡도를 표현한다.
• 기울기 부스팅 회귀 모델(GBR)을 학습시어 각 넷의 위험 수준을 예측하고, 시간 위반을 일으킬 가능성이 높은 넷을 식별한다.
• 기존 설계 데이터를 활용해 기존에 알려진 시간 문제를 가진 사례를 사용해 모델의 정확도를 향상시키기 위해 校정을 수행한다.
• GBR 모델이 고위험으로 예측한 넷에만 맞춤형 루팅 최적화를 선택적으로 적용한다.
• 기존 EDA 플로우와 통합되어 전체 재루팅 없이 점진적인 개선이 가능하도록 한다.
• 특징 공학은 시간 관련 지표, 혼잡도 지표, 넷 구조를 강조하여 모델의 관련성을 향상시킨다.

실험 결과

연구 질문

• RQ1 기계학습 모델이 EDA 루팅에서 시간 위반을 일으킬 가능성이 높은 넷을 효과적으로 예측할 수 있는가?
• RQ2 GBR 모델을 사용한 위험 예측 방식이 기존 히وري스틱 기반 루팅 우선순위 부여 방식과 비교해 어떻게 다를 수 있는가?
• RQ3 예측된 고위험 넷에 대해 맞춤형 루팅을 적용할 경우 전체 시간 수렴에 얼마나 기여할 수 있는가?
• RQ4 GBR 기반 프레임워크는 표준 EDA 접근 방식보다 시간 수렴에 더 신뢰성 있게 수렴하는가?

주요 결과

• GBR 모델은 높은 예측 정확도로 예측되지 않은 고위험 넷(URNs)을 성공적으로 식별하여 대상 최적화를 가능하게 했다.
• 예측된 URNs에 대한 맞춤형 루팅은 시간 성능 향상에 명확하고 측정 가능한 개선 효과를 보였다.
• 다양한 설계 반복 과정을 통해 시간 수렴 방향으로의 경향성을 보였다.
• 전체 재루팅이 필요한 양을 줄여 고위험 넷에만 최적화를 집중함으로써 효율성을 향상시켰다.
• 기존 EDA 도구와의 호환성을 유지하여 산업 설계 플로우에 실용적으로 통합될 수 있었다.
• 다양한 테스트 케이스에서 일관된 개선 효과를 보여, 기계학습 기반 최적화 전략의 효과성을 입증했다.