A hyper-image-based initial DRV predictor combining placement and global routing data

Abstract

Nos nós tecnológicos avançados, as regras de projeto cada vez mais complexas e as restrições rígidas do projeto estão tornando a etapa de roteamento um gargalo no fluxo de projeto de circuitos Very-Large-Scale Integration (VLSI). A etapa de roteamento é uma tarefa que consome tempo, na qual o roteamento detalhado deve considerar muitas regras de projeto complicadas e corrigir todas as eventuais violações. Caso contrário, o circuito não pode prosseguir para a fabricação e teste. Assim, a etapa de roteamento da síntese física está se tornando computacionalmente custosa, onde o roteador sozinho não consegue lidar eficientemente com as restrições das regras de projeto. Essas regras de projeto de roteamento especificam restrições geométricas complexas, incluindo o espaçamento mínimo e os requisitos de área entre os elementos de roteamento. Um método amplamente adotado para corrigir violações de roteamento é através do rerroteamento das interconexões conflitantes. No entanto, além do seu custo computacional bastante elevado, não há garantia de que uma solução viável será encontrada. O cumprimento das restrições de projeto é um desafio que incentiva a cooperação com outras etapas do processo para reduzir o tempo de execução. Uma alternativa para aliviar o tempo de execução necessário na etapa de roteamento para correção de violações é adotar algoritmos de aprendizado de máquina para prever violações de regras de projeto (Design Rule Violations DRVs) precocemente no fluxo de projeto, para que outros algoritmos possam preveni-las proativamente. Este trabalho propõe um modelo preditivo que combina informações de posicionamento e roteamento global em hiperimagens para prever DRVs iniciais. Neste trabalho, as hiper-imagens são compostas por uma matriz de mapas de bits. Esses bitmaps contêm informações sobre os pinos das células e os segmentos de conexões do roteamento global. Diferentemente da abordagem tradicional, na qual o relatório de congestionamento gerado pelo roteamento global armazena as informações de todas as camadas de roteamento em um único valor, a matriz de mapas de bits permite que as informações de congestionamento de cada camada de roteamento sejam mantidas de forma separada, com cada matriz representando uma camada de roteamento. Para enfrentar o desafio do desbalanceamento de dados, onde poucas amostras no conjunto de dados são positivas, são propostas técnicas de aumento de dados para o treinamento do modelo baseado em redes neurais. Vale ressaltar que outros modelos de aprendizado podem se beneficiar da metodologia proposta para abordar a falta de dados de treinamento. Este trabalho pretende servir como uma fonte adicional para extração de dados, permitindo que modelos de aprendizado se beneficiem da iteração inicial de roteamento detalhado. Portanto, a técnica proposta ajuda a mitigar o impacto da escassez de dados de treinamento. Sendo assim, as principais contribuições deste trabalho são: Fornecer uma opção adicional de extração de dados para mitigar a escassez de dados no treinamento de modelos de aprendizado, incluindo dados do roteamento detalhado inicial. A estrutura proposta de hyper-imagens também tem como objetivo fornecer ao modelo informações detalhadas sobre a densidade de roteamento, considerando as diferentes camadas de roteamento. Finalmente, este trabalho também apresenta técnicas de balanceamento de dados para melhorar a eficiência do treinamento de modelos de aprendizado. O ambiente de avaliação inclui circuitos de código aberto da OpenCores. Esses circuitos foram sintetizados usando ferramentas de código aberto da OpenROAD e roteados e verificados com a ferramenta comercial Innovus. Os resultados experimentais mostram, em média, 88% de Especificidade e Sensibilidade, resultando em uma média geométrica mais alta do que trabalhos relacionados usando conjuntos de dados industriais. Esses resultados demonstram que a técnica proposta pode ser utilizada como uma fonte adicional de informação para guiar algoritmos de posicionamento ou roteamento na prevenção de violações de roteamento.

Abstract: In advanced technology nodes, the ever-increasing complexity of design rules and tight project constraints are making the routing stage a bottleneck in circuits Very-Large-Scale Integration (VLSI) design flow. The routing stage is a time-consuming task in which the detailed routing has to consider many complicated design rules and fix all eventual violations, otherwise the circuit cannot proceed to manufacturing and testing. Thus the routing stage of physical synthesis is becoming computationally expensive, and the router alone cannot handle design rule constraints efficiently. These routing design rules specify complex geometric constraints including the minimum spacing and area requirements between routing elements. A widely adopted method to fix routing violations is through rerouting the conflicting interconnections. However, besides its quite expensive computational cost, there is no guarantee that a feasible solution will be found. Meeting design constraints is a challenge that encourages cooperation with other stages of the process to reduce runtime. One alternative to alleviate the runtime required to fix routing violations during the routing stage is to adopt machine learning algorithms to predict Design Rule Violations (DRVs) early in the design flow so that other algorithms can proactively prevent them. This work proposes a predictive model that combines placement information and global routing in hyper-images to predict initial DRVs. In this work, the hyper-images are composed of a bitmap array. These bitmaps contain cell pin information and the routing connection segments of global routing. Unlike the traditional approach, in which the congestion report generated by global routing stores the information for all routing layers in a single value, the bitmap matrix allows the congestion information for each routing layer to be maintained separately, with each matrix representing a specific routing layer. To address the data imbalance challenge, where very few samples in the dataset are positive, data augmentation techniques are proposed for training the neural network-based model. It is worth noting that other learning models can benefit from the proposed methodology to address the lack of training data. This work is intended to serve as an additional source for data extraction, enabling learning models to benefit from the initial detailed routing iteration. Therefore, the proposed technique helps mitigate the impact of training data scarcity. Therefore, the main contributions of this work are: Providing an additional source of data extraction to mitigate the scarcity of data for training models, including data from initial detailed routing. The proposed hyper-image structure also aims to provide the model with detailed information about routing density, considering the different routing layers. Finally, this work presents data balancing techniques to enhance the training efficiency of learning models. The evaluation environment includes open-source designs from OpenCores. These designs were synthesized using open-source tools from OpenROAD and routed and verified with the commercial tool Innovus. The experimental results show, on average, 88% for Specificity and Sensitivity, resulting in a higher G-Mean than related work using industrial datasets. These results demonstrate that the proposed technique can be used as an additional source of information to guide placement or routing algorithms in avoiding routing violations.