[논문 리뷰] LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction

Bowen Wang, Guibao Shen외 8명|arXiv (Cornell University)|2022. 03. 24.

VLSI and FPGA Design Techniques인용 수 8

한 줄 요약

이 논문은 기하학적이고 위상적 메시지 전파를 조합한 이질적인 그래프 구조를 사용하여 VLSI 회로의 혼잡도를 모델링하는 라티스 초그래프 신경망(LHNN)을 제안한다. 라우팅 수요를 동시에 회귀하고 혼잡도를 분류함으로써 LHNN는 ISPD 2011 및 DAC 2012 벤치마크에서 U-Net과 Pix2Pix보다 F1 점수를 35% 이상 높이며, 혼잡도 예측의 정확성과 강건성 면에서 뛰어난 성능을 보여준다.

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.

연구 동기 및 목표

• 현재의 기계학습 모델들이 넷리스트 정보를 기각하고 기하학적 수신 영역에만 의존하는 등의 한계를 해결하기 위해.
• 학습 과정 全 과정에서 넷리스트 데이터를 유지하여 회로 표현에서 위상적 및 기하학적 메시지 전파를 가능하게 하기 위해.
• 다중 헤드 감독을 통해 동시에 라우팅 수요 회귀와 혼잡도 분류를 학습하여 예측 정확도를 향상시키기 위해.
• 넷리스트 및 레이아웃 데이터로부터 의미 있는 특징을 자동으로 생성하는 그래프 신경망 아키텍처를 개발하여 수작업 특징에 대한 의존도를 줄이기 위해.

제안 방법

• 넷리스트 표현을 위한 초그래프와 기하 레이아웃을 위한 라티스 그래프를 통합한 라티스 초그래프(LH-그래프)를 제안하여 전체 넷리스트 구조를 유지한다.
• 위상적(초그래프) 및 기하학적(라티스) 연결을 위한 별도의 메시지 전파 모듈을 갖춘 이질적인 그래프 신경망인 LHNN를 설계한다.
• 라우팅 수요 지도와 혼잡도 마스크 양쪽 모두에 대해 훈련하여 상호 보완적인 신호 학습이 가능한 다중 헤드 감독을 적용한다.
• 넷리스트 및 레이아웃 데이터로부터 핀 밀도, 넷 밀도와 같은 G-셀 특징을 자동으로 파생하는 특징 생성 모듈을 도입한다.
• 장거리 위상적 및 기하학적 의존성에 걸쳐 표현 학습을 향상시키기 위해 메시지 전파 블록에 잔차 및 다중 헤드 어텐션 기법을 사용한다.
• 훈련 중 혼잡도 지도의 클래스 불균형을 처리하기 위해 레이블 균형 조정을 인자 γ를 사용하여 적용한다.

실험 결과

연구 질문

• RQ1 학습 중 전체 넷리스트 데이터를 유지하는 그래프 신경망이 CNN 기반 방법에 비해 혼잡도 예측 정확도를 향상시킬 수 있는가?
• RQ2 라우팅 수요와 혼잡도 분류를 동시에 학습하는 것이 단일 작업 학습에 비해 VLSI 배치에서 더 나은 성능을 내는가?
• RQ3 순수하게 기하학적 메시지 전파에 비해 넷을 통한 위상적 연결이 얼마나 정확한 혼잡도 예측에 기여하는가?
• RQ4 넷리스트 및 레이아웃 데이터로부터 의미 있는 특징을 자동으로 생성할 수 있는가? 이는 수작업 특징에 대한 의존도를 줄일 수 있는가?

주요 결과

• LHNN는 단일 채널 혼잡도 예측 작업에서 U-Net에 비해 37.44% 향상된 F1 점수를 기록했으며, Pix2Pix에 비해 35.39% 향상되었다.
• 초그래프 메시지 전파 모듈을 제거할 경우 성능 저하가 가장 크게 발생하여, 위상적 연결이 정확한 예측에 핵심적임을 시사한다.
• 공동 회귀 및 분류 브랜치가 성능 향상에 크게 기여하여, 라우팅 수요 지도가 필수적인 감독 신호임을 입증한다.
• G-셀 특징(예: 핀 밀도, 넷 밀도)을 제거한 경우에도 LHNN는 F1 점수 38.02를 유지하여 그래프 학습을 통한 특징 복구 능력을 입증한다.
• 제거 실험 결과, 기하학적 및 위상적 메시지 전파 모두 필수적임을 확인하였으며, LatticeMP 및 HyperMP 모듈 각각이 모델 성능에 기여하고 있다.
• 시각화 결과 LHNN는 기준 모델에 비해 다양한 혼잡도 수준을 더 잘 구분하여 임의의 양성 및 음성 결과를 줄였다.