[论文解读] Net2: A Graph Attention Network Method Customized for Pre-Placement Net Length Estimation

Zhiyao Xie, Rongjian Liang+4 more|arXiv (Cornell University)|Nov 27, 2020

VLSI and FPGA Design Techniques参考文献 24被引用 6

一句话总结

本文提出 Net²，一种针对 VLSI 设计中预布线阶段线长估计的定制化图注意力网络（GAT）方法。通过利用电路分割和注意力机制所提取的全局电路拓扑结构，Net² 在识别长线和关键路径方面相比先前方法实现了 15% 的准确率提升，其快速版本比布线速度快超过 1000 倍。

ABSTRACT

Net length is a key proxy metric for optimizing timing and power across various stages of a standard digital design flow. However, the bulk of net length information is not available until cell placement, and hence it is a significant challenge to explicitly consider net length optimization in design stages prior to placement, such as logic synthesis. This work addresses this challenge by proposing a graph attention network method with customization, called Net2, to estimate individual net length before cell placement. Its accuracy-oriented version Net2a achieves about 15% better accuracy than several previous works in identifying both long nets and long critical paths. Its fast version Net2f is more than 1000 times faster than placement while still outperforms previous works and other neural network techniques in terms of various accuracy metrics.

研究动机与目标

• 解决在细胞布线前估计单条线长的挑战，这是早期设计阶段时序与功耗优化的关键需求。
• 克服先前方法仅依赖局部拓扑、缺乏线长预测中全局上下文的局限性。
• 实现准确且高效的线长估计，以支持布局感知的逻辑综合与早期阶段优化。
• 开发一种深度学习方法，通过使用定制特征和电路分割的图注意力网络，捕捉网表图中的长程依赖关系。
• 通过引入两种变体实现准确率与速度的平衡：Net²a（侧重准确率）和 Net²f（快速推理）。

提出的方法

• 构建一个网表图，其中节点代表单元，边代表网线，边特征编码拓扑与结构信息。
• 应用图注意力网络（GAT）通过可学习的注意力系数聚合节点表示，实现对邻近节点的动态加权。
• 引入电路分割策略以提取全局信息：将设计划分为簇，利用簇间边来建模长程依赖。
• 使用边卷积层处理编码了网线度数、单元接近度和拓扑距离的边特征（F0–F3），以增强特征表示。
• 使用回归损失端到端训练模型，从预布线网表中预测实际线长。
• 部署两种变体：Net²f 用于速度（无分割，单层 GAT），Net²a 用于准确率（含分割与更深的注意力层）。

实验结果

研究问题

• RQ1 图神经网络能否在布线前有效估计单条线长，同时捕捉局部与全局拓扑结构？
• RQ2 通过分割引入的全局电路结构，在线长估计准确率上相比仅依赖局部的模型有何提升？
• RQ3 在此场景下，基于注意力的消息传递机制在多大程度上优于传统 GNN 或全连接网络？
• RQ4 预布线线长预测中，推理速度与准确率之间的权衡如何？能否实现既快速又准确的模型？
• RQ5 不同边特征（F0–F3）对模型预测性能的贡献程度如何？

主要发现

• Net²a 在识别最长的 10% 线长时，相比先前方法准确率高出 15%，在基准测试中平均 AUC 达 92.2%。
• Net²f 比标准布线快超过 1000 倍，同时保持更优的准确率，适用于实时优化。
• F1 边特征（代表网线连接模式）对准确率提升的贡献最为显著。
• 使用更粗粒度的单元分割（P 较小）可将推理时间减少约 1.5 倍，同时保持 Net²a 准确率的 91.6%，表明对分割粒度具有鲁棒性。
• 无 GNN 的模型（Edge ANN）表现最差，证实通过 GAT 进行消息传递对于捕捉结构上下文至关重要。
• Net²a 比布线快 10 倍以上，且在标准基准上训练模型约需 30 分钟。