[논문 리뷰] Design Rule Violation Hotspot Prediction Based on Neural Network Ensembles

Wei Zeng, Azadeh Davoodi외 1명|arXiv (Cornell University)|2018. 11. 09.

Advancements in Photolithography Techniques참고 문헌 18인용 수 5

한 줄 요약

이 논문은 집적회로 설계에서 배치 및 글로벌 라우팅 데이터를 사용하여 설계 규칙 위반(DRC) 핫스팟을 예측하기 위한 신경망 앙상블 프레임워크를 제안한다. 주성분 분석(PCA) 기반의 특성 서브셋 선택과 소프트 보팅 앙상블 전략을 통합함으로써, 단일 신경망보다 유의미한 성능 향상을 이룩했으며, 12개 테스트 케이스 중 8개에서 랜덤 포레스트를 능가하거나 근사하게 유지함으로써 초기 단계에서의 DRC 예측 능력이 뛰어나며, 계산 오버헤드가 최소화됨을 보여준다.

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.

연구 동기 및 목표

• 세부 라우팅 이전에 DRC 점검이 시간이 많이 소요되는 문제를 해결하기 위해, 초기 단계에서 DRC 핫스팟을 예측할 수 있도록 하는 것.
• 배치 및 글로벌 라우팅에서 유도된 특성으로 훈련된 신경망 앙상블을 통해 DRC 핫스팟 예측 정확도를 향상시키는 것.
• 과적합을 줄이고 모델 일반화 능력을 향상시키기 위한 체계적이고 비경험적인 특성 서브셋 선택 방법을 개발하는 것.
• 랜덤 포레스트와 같은 표준 앙상블 모델과 비교해 성능이 유사하거나 뛰어나면서도, 추론 비용이 낮은 성능을 달성하는 것.
• TensorFlow 및 Keras와 같은 인기 있는 딥러닝 프레임워크를 활용해 실용적인 구현을 가능하게 하는 것.

제안 방법

• 각 g-셀을 나타내기 위해, 프리플레이스먼트 및 글로벌 라우팅 데이터에서 387개의 다양한 특성을 추출한다.
• 차원 축소 및 가장 변동성이 큰 선형 특성을 추출하기 위해 주성분 분석(PCA) 변환을 적용한다.
• 목적 함수 평가를 피하고 훈련 시간을 줄이기 위해, PCA 변환된 공간에서 특성 서브셋을 스마트 랜덤 선택(SRS) 기법으로 샘플링한다.
• 각 학습기마다 다른 PCA 변환 특성 서브셋을 사용하는 100개의 단일층 신경망으로 구성된 앙상블을 훈련한다.
• 모든 100개의 모델 예측을 소프트 보팅 전략으로 조합하여 최종 이진 분류 결과(예: DRC 핫스팟 여부)를 도출한다.
• 모델은 ISPD 2015 벤치마크를 기반으로 훈련하고, 정확도, AUC-ROC, AUC-PR 지표를 사용해 평가한다.

실험 결과

연구 질문

• RQ1 단일 신경망 모델에 비해 신경망 앙상블이 DRC 핫스팟 예측 정확도를 향상시킬 수 있는가?
• RQ2 PCA 기반 특성 서브셋 선택이 과적합을 줄이고 훈련 시간을 단축시키면서도 모델 성능을 향상시키는가?
• RQ3 PCA 공간에서의 스마트 랜덤 선택(SRS) 기법이 DRC 예측을 위한 앙상블 학습에서 전통적인 특성 서브셋 선택보다 우수한 성능을 낼 수 있는가?
• RQ4 랜덤 포레스트와 같은 널리 사용되는 앙상블 모델과 비교해 제안된 앙상블 모델의 예측 성능은 어떠한가?
• RQ5 정확한 초기 단계의 DRC 핫스팟 예측을 통해, 시간이 많이 소요되는 세부 라우팅의 필요성을 얼마나 줄일 수 있는가?

주요 결과

• 소프트 보팅과 PCA 기반 서브셋 선택을 통한 제안된 신경망 앙상블은 모든 테스트 케이스에서 기준 단일층 신경망 모델보다 성능 향상을 보였다.
• 12개 테스트 케이스 중 8개에서 제안된 모델이 랜덤 포레스트보다 더 높은 ROC 곡선 아래 면적(AUC-ROC)을 확보하여, 우수하거나 동등한 성능을 보였다.
• 전체 테스트 샘플에 대해 모델은 평균 테스트 정확도 90.41%와 AUC-ROC 0.9508을 기록했으며, 기준 모델을 초월하고 랜덤 포레스트의 핵심 지표와 동등하거나 이를 능가하는 성능을 보였다.
• PCA 및 SRS의 적용은 과적합을 줄이고 일반화 능력을 향상시켰으며, 원본 특성 대비 PCA 변환 특성 사용 시 1개 테스트 셋 제외 전부에서 성능 향상이 관찰되었다.
• 모델 훈련은 최대 3시간이 소요되지만, 추론 시간은 각 테스트 셋당 1분 이내로, 초기 설계 피드백에 실용적으로 적용 가능하다.
• 이 프레임워크는 TensorFlow 및 Keras와 같은 인기 있는 딥러닝 프레임워크에 쉽게 통합 가능하여 기존 설계 워크플로우에의 통합을 가능하게 한다.