[논문 리뷰] Towards Machine Learning for Placement and Routing in Chip Design: a Methodological Overview

Junchi Yan, Xianglong Lyu외 2명|arXiv (Cornell University)|2022. 02. 28.

VLSI and FPGA Design Techniques인용 수 5

한 줄 요약

이 논문은 VLSI 배치 및 라우팅 분야에서 기계학습 응용에 대한 종합적인 방법론적 개요를 제공하며, 전력, 성능, 면적 최적화를 위한 딥러닝, 강화학습, 그래프 신경망을 조사한다. 최근의 발전, 열려 있는 도전 과제, 그리고 공개된 도구와 데이터셋을 통해 칩 설계의 엔드 투 엔드 학습을 가속화한다.

ABSTRACT

Placement and routing are two indispensable and challenging (NP-hard) tasks in modern chip design flows. Compared with traditional solvers using heuristics or expert-well-designed algorithms, machine learning has shown promising prospects by its data-driven nature, which can be of less reliance on knowledge and priors, and potentially more scalable by its advanced computational paradigms (e.g. deep networks with GPU acceleration). This survey starts with the introduction of basics of placement and routing, with a brief description on classic learning-free solvers. Then we present detailed review on recent advance in machine learning for placement and routing. Finally we discuss the challenges and opportunities for future research.

연구 동기 및 목표

• VLSI 설계에서 배치 및 라우팅에 적용된 기계학습 기법에 대한 체계적인 리뷰를 제공하기 위해.
• 딥러닝, 강화학습, 그래프 신경망 분야에서 물리적 설계 최적화를 위한 핵심 방법론적 발전을 규명하기 위해.
• 기존의 학습 기반 접근 방식과 전통적 솔버를 비교하여, 특히 확장성과 해법 품질 측면에서의 한계를 분석하기 위해.
• 재현 가능한 연구와 학계 및 산업 간 협업을 가능하게 하는 오픈소스 프레임워크와 공개된 데이터셋을 부각하기 위해.
• 특히 배치 및 라우팅을 통합하는 엔드 투 엔드 학습 프레임워크가 필요한 미래 연구 방향을 제시하기 위해.

제안 방법

• 초기 히우어리식 전역 배치 및 3D 격자 기반 전역 라우팅을 포함한, 전통적 히우어리식 기반 솔버에 대한 리뷰.
• 배치 및 라우팅 작업을 위한 변동형 오토인코더와 이미지 간 번역 기법을 포함한 딥러닝 방법에 대한 다루기.
• 전역 및 세부 라우팅에서의 의사결정을 위한 DQN 및 액터-크리틱 프레임워크를 포함한 강화학습 접근 방식 검토.
• RSMT 구성에서 스티너 트리 해답을 인코딩하기 위한 새로운 표현 방식인 직사각형 모서리 시퀀스(RES) 소개.
• 배치 및 라우팅을 동시에 최적화하는 공동 학습 프레임워크 분석을 통해 피드백 루프 감소.
• DREAMPlace, circuit_training, DQN_GlobalRouting과 같은 오픈소스 도구와 ISPD 2015 및 ICCAD 경연 대회와 같은 공공 벤치마크 리뷰.

실험 결과

연구 질문

• RQ1 기계학습 기법은 현대 VLSI 설계에서 배치 및 라우팅의 확장성과 품질을 어떻게 향상시킬 수 있는가?
• RQ2 딥러닝 및 강화학습이 기존 히우어리식 솔버를 능가하는 데에 기여하는 핵심 아키텍처 및 알고리즘 구성 요소는 무엇인가?
• RQ3 최근의 학습 기반 접근 방식은 혼잡도, 타이밍, 설계 규칙 위반과 같은 복잡한 제약 조건을 어떻게 다루는가?
• RQ4 수백만 개의 넷을 포함한 대규모 회로에 적용했을 때 현재의 기계학습 기반 라우팅 솔루션의 한계는 무엇인가?
• RQ5 ISPD 2015와 같은 표준화된 벤치마크를 통해 오픈소스 도구와 공공 벤치마크는 칩 설계의 엔드 투 엔드 학습 진전을 어떻게 촉진하는가?

주요 결과

• DeepPlace 및 DREAMPlace와 같은 학습 기반 배치 방법은 표준 벤치마크에서 전통적 도구와 비교해 경쟁력 있거나 뛰어난 배선 길이와 라우터빌리티를 달성한다.
• DQN 및 액터-크리틱 프레임워크를 포함한 강화학습 방법은 특히 라우팅 순서 최적화 및 혼잡도 감소 측면에서 전역 및 세부 라우팅에서 잠재력을 보여준다.
• 직사각형 모서리 시퀀스(RES)의 사용은 RSMT 구성에 대해 새로운 미분 가능 접근 방식을 가능하게 하며, 제안된 액터-크리틱 모델이 경쟁 가능한 성능을 달성했다.
• 진전이 있음에도 불구하고, 대부분의 학습 기반 라우팅 기법은 계산 복잡도와 일반화 한계로 인해 대규모 회로(100만 개 이상의 넷)에서는 여전히 전통적 알고리즘에 뒤지지 않는다.
• DREAMPlace 및 circuit_training과 같은 오픈소스 프레임워크는 재현 가능한 연구를 가능하게 하고 학습 기반 물리적 설계 분야의 혁신을 가속화했다.
• ISPD 2015 및 ICCAD 벤치마크와 같은 공개 데이터셋은 분야 내 공정한 비교 및 진전 평가에 여전히 필수적이다.