[论文解读] Towards Machine Learning for Placement and Routing in Chip Design: a Methodological Overview

Junchi Yan, Xianglong Lyu+2 more|arXiv (Cornell University)|Feb 28, 2022

VLSI and FPGA Design Techniques被引用 5

一句话总结

本文系统综述了机器学习在VLSI布局与布线中的应用，涵盖深度学习、强化学习和图神经网络在功耗、性能与面积优化方面的研究进展。文章总结了近期技术进展、开放挑战，并介绍了公开可用的工具与数据集，以加速芯片设计中的端到端学习。

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.

研究动机与目标

• 系统性回顾应用于VLSI设计中布局与布线的机器学习技术。
• 识别深度学习、强化学习与图神经网络在物理设计优化中的关键方法论进展。
• 分析当前基于学习的方法与经典求解器相比在可扩展性与解质量方面的局限性。
• 突出展示开源框架与公开数据集，以促进学术界与工业界之间的可复现研究与协作。
• 展望未来研究方向，特别是整合布局与布线的端到端学习框架的迫切需求。

提出的方法

• 回顾经典、基于启发式的布局与布线求解器，包括基于超图的全局布局与基于3D网格的全局布线。
• 涵盖深度学习方法，如变分自编码器与图像到图像翻译，用于布局与布线任务。
• 研究强化学习方法，包括DQN与演员-评论家框架，用于全局与详细布线中的决策制定。
• 引入新型表示方法，如矩形边序列（RES），用于编码RSMT构造中的Steiner树解。
• 分析联合学习框架，实现布局与布线的同步优化，减少反馈循环。
• 综述开源工具如DREAMPlace、circuit_training与DQN_GlobalRouting，以及公开基准如ISPD 2015与ICCAD竞赛。

实验结果

研究问题

• RQ1 机器学习方法如何提升现代VLSI设计中布局与布线的可扩展性与质量？
• RQ2 哪些关键的架构与算法组件使深度学习与强化学习优于传统启发式求解器？
• RQ3 近期基于学习的方法在处理复杂约束（如拥塞、时序与设计规则违例）方面有哪些策略？
• RQ4 当前基于机器学习的布线方案在处理具有数百万根线网的大规模电路时存在哪些局限性？
• RQ5 开源工具与标准化基准（如ISPD 2015）如何促进芯片设计中端到端学习的进展？

主要发现

• 基于学习的布局方法（如DeepPlace与DREAMPlace）在标准基准上实现了与经典工具相当或更优的线长与可布线性。
• 强化学习方法（如DQN与演员-评论家框架）在全局与详细布线中展现出潜力，尤其在优化布线顺序与减少拥塞方面。
• 使用矩形边序列（RES）实现了RSMT构造的新型可微分方法，所提出的演员-评论家模型取得了具有竞争力的结果。
• 尽管已有进展，大多数基于学习的布线技术在大规模电路（>100万根线网）上仍逊色于经典算法，主要受限于计算复杂性与泛化能力。
• 开源框架如DREAMPlace与circuit_training已推动可复现研究，并加速了基于学习的物理设计创新。
• 公开数据集如ISPD 2015与ICCAD基准在领域内仍对公平比较与进展评估至关重要。