[论文解读] LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction

Bowen Wang, Guibao Shen+8 more|arXiv (Cornell University)|Mar 24, 2022

VLSI and FPGA Design Techniques被引用 8

一句话总结

该论文提出LHNN，一种晶格超图神经网络，通过结合几何与拓扑消息传递的异质图结构，对VLSI电路拥塞进行建模。通过联合回归路由需求与分类拥塞状态，LHNN在ISPD 2011和DAC 2012基准测试中F1得分比U-Net和Pix2Pix高出35%以上，展现出在拥塞预测中更优的准确性和鲁棒性。

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.

研究动机与目标

• 为解决当前机器学习模型在VLSI拥塞预测中的局限性，这些模型通常忽略网表信息，仅依赖几何感受野。
• 在整个学习过程中保留完整的网表数据，实现在电路表示中同时进行拓扑与几何消息传播。
• 通过多头监督联合学习路由需求回归与拥塞分类，提升预测准确性。
• 开发一种图神经网络架构，能自动从网表和版图数据中生成有意义的特征，减少对手工设计特征的依赖。

提出的方法

• 提出一种晶格超图（LH-graph），将超图用于网表表示，将晶格图用于几何版图，完整保留网表结构。
• 设计一种异质图神经网络LHNN，配备独立的拓扑（超图）与几何（晶格）连接消息传递模块。
• 通过在路由需求图与拥塞掩码上联合训练，实现多头监督，促进互补信号学习。
• 引入特征生成模块，自动从网表与版图数据中提取G-cell特征（如引脚密度与网表密度）。
• 在消息传递模块中引入残差连接与多头注意力机制，增强对长程拓扑与几何依赖关系的表征学习能力。
• 在训练过程中引入因子γ进行标签平衡，以缓解拥塞图中类别不平衡问题。

实验结果

研究问题

• RQ1 在训练过程中完整保留网表数据的图神经网络是否能相比基于CNN的方法提升拥塞预测准确性？
• RQ2 在VLSI布局中，联合学习路由需求与拥塞分类是否优于单任务学习？
• RQ3 通过网表实现的拓扑连接在拥塞预测中的贡献程度，与纯几何消息传递相比如何？
• RQ4 能否从网表与版图数据中自动生成对拥塞预测有意义的特征，从而减少对手工设计特征的依赖？

主要发现

• 在单通道拥塞预测任务中，LHNN相比U-Net的F1得分提升37.44%，相比Pix2Pix提升35.39%。
• 移除超图消息传递模块后性能下降最大，表明拓扑连接对准确预测至关重要。
• 联合回归与分类分支显著提升性能，表明路由需求图提供了关键的监督信号。
• 即使移除G-cell特征（如引脚密度与网表密度），LHNN仍能保持38.02的F1得分，证明其可通过图学习有效恢复特征。
• 消融实验确认几何与拓扑消息传递均不可或缺，LatticeMP与HyperMP模块各自对模型性能有显著贡献。
• 可视化结果表明，LHNN能更准确地区分不同拥塞水平的电路，相比基线模型显著减少误报与漏报。