[论文解读] Design Rule Violation Hotspot Prediction Based on Neural Network Ensembles

Wei Zeng, Azadeh Davoodi+1 more|arXiv (Cornell University)|Nov 9, 2018

Advancements in Photolithography Techniques参考文献 18被引用 5

一句话总结

本文提出了一种基于神经网络集成的框架，利用布局和全局布线数据预测集成电路设计中的设计规则违反（DRC）热点。通过结合基于主成分分析（PCA）的特征子集选择与软投票集成策略，该模型在性能上显著优于单一神经网络，并在12个测试案例中的8个中达到或超过随机森林模型的表现，展现出极低计算开销下的早期DRC预测能力。

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.

研究动机与目标

• 为解决IC设计中DRC检查耗时过长的问题，实现在详细布线前对DRC热点进行早期预测。
• 通过利用布局和全局布线数据训练的神经网络集成模型，提升DRC热点预测的准确性。
• 开发一种系统化、非经验性的特征子集选择方法，以减少过拟合并提高模型泛化能力。
• 在保持低推理成本的前提下，实现与随机森林（一种标准集成模型）相当或更优的性能。
• 通过TensorFlow和Keras等主流深度学习框架实现实际部署。

提出的方法

• 从布局和全局布线数据中提取387个多样化特征，以表征每个g-cell。
• 应用主成分分析（PCA）以降低维度，并提取最具变异性的线性特征。
• 采用智能随机选择（SRS）方案从PCA变换后的空间中采样特征子集，避免目标函数评估，从而减少训练时间。
• 训练100个单层神经网络组成的集成模型，每个学习器使用不同的PCA变换后特征子集。
• 通过软投票策略整合全部100个模型的预测结果，生成最终的二分类结果（DRC热点或非热点）。
• 模型在ISPD 2015基准数据集上进行训练，并使用准确率、AUC-ROC和AUC-PR指标进行评估。

实验结果

研究问题

• RQ1 与单一神经网络模型相比，神经网络集成是否能提升DRC热点预测的准确性？
• RQ2 基于PCA的特征子集选择是否能在减少过拟合和训练时间的同时提升模型性能？
• RQ3 在PCA空间中采用智能随机选择（SRS）方案，是否能在DRC预测的集成学习中优于传统的特征子集选择方法？
• RQ4 与广泛应用的随机森林模型相比，所提出的集成模型在预测性能方面表现如何？
• RQ5 该模型在设计流程早期准确预测DRC热点，能在多大程度上减少对耗时详细布线的需求？

主要发现

• 所提出的结合软投票与基于PCA的特征子集选择的神经网络集成模型，在所有测试案例中均显著优于基线单层神经网络。
• 在12个测试案例中的8个中，该模型的受试者工作特征曲线下面积（AUC-ROC）高于随机森林，表明其性能更优或相当。
• 在所有测试样本上，模型整体测试准确率达到90.41%，AUC-ROC为0.9508，优于基线模型，并在关键指标上与随机森林持平或更优。
• 采用PCA与SRS可减少过拟合并提升泛化能力，在除一个测试集外的所有测试集中，对比原始特征与PCA变换后特征均观察到性能提升。
• 模型训练时间最长为3小时，但每个测试集的推理时间低于1分钟，适用于早期设计阶段的反馈。
• 该框架可轻松集成到TensorFlow和Keras等主流深度学习框架中，便于嵌入现有设计流程。