[论文解读] Customized Routing Optimization Based on Gradient Boost Regressor Model

Zheng Chen, Clara Grzegorz Kasprowicz+1 more|arXiv (Cornell University)|Oct 28, 2017

Text and Document Classification Technologies参考文献 10被引用 8

一句话总结

本文提出一种基于梯度提升回归器（GBR）模型的机器学习框架，用于在电子设计自动化（EDA）中识别并优化高风险网络，从而改善时序收敛。通过提取相关特征并针对预测的高风险网络实施定制化布线，该方法实现了可测量的时序性能提升，并推动时序收敛。

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.

研究动机与目标

• 解决当前电子设计自动化（EDA）工具在高效识别时序关键网络方面存在的局限性。
• 开发一种机器学习方法，用于预测被低估的高风险网络（URNs），以实现针对性优化。
• 通过在预测的高风险网络上实施定制化布线，提升设计质量与时序收敛能力。
• 证明基于GBR的预测方法在布线优化方面比传统方法更具有效性和高效性。

提出的方法

• 该框架从设计数据中提取领域特定特征，以表征网络特性与布线复杂度。
• 训练梯度提升回归器（GBR）模型，以预测每条网络的风险水平，识别可能导致时序违规的网络。
• 利用具有已知时序问题的历史设计数据对模型进行校准，以提高预测准确性。
• 仅对GBR模型预测为高风险的网络应用定制化布线优化。
• 该方法可集成至现有EDA流程中，实现增量式改进，无需全局重布线。
• 特征工程聚焦于时序相关指标、拥塞指示符以及网络拓扑，以增强模型的相关性。

实验结果

研究问题

• RQ1 机器学习模型能否有效预测EDA布线中哪些网络最可能导致时序违规？
• RQ2 使用GBR模型进行风险预测与传统基于启发式的布线优先级排序相比，有何差异？
• RQ3 在预测的高风险网络上实施定制化布线，能在多大程度上改善整体时序收敛？
• RQ4 基于GBR的框架是否比标准EDA方法更可靠地实现时序收敛？

主要发现

• GBR模型以高预测准确度成功识别出被低估的高风险网络（URNs），从而实现针对性优化。
• 在预测的URNs上实施定制化布线，显著且可测量地改善了时序性能。
• 该方法在多次设计迭代中展现出向时序收敛趋势发展的明显迹象。
• 通过仅对高影响网络进行优化，该框架减少了全局重布线的需求，提升了效率。
• 该方法与现有EDA工具保持兼容，可无缝集成至工业级设计流程中。
• 结果在多个测试案例中均表现出一致的改进，验证了基于机器学习的优化策略的有效性。