|
Abstract:
|
Com o avanço da tecnologia de fabricação de circuitos integrados, cada vez mais aspectos devem ser considerados durante a caracterização elétrica de circuitos a fim de contemplar diferentes condições de operação, assim como os efeitos de variabilidade do processo de fabricação. Isso aumenta o tempo de caracterização devido as tradicionais técnicas baseadas em simulações elétricas exaustivas. A adoção de técnicas de aprendizado de máquina já auxilia o projeto digital em muitos níveis de abstração. O objetivo principal desta pesquisa é avaliar algoritmos de regressão de aprendizado de máquina como alternativa à simulação elétrica exaustiva no projeto de caracterização de células. Foram considerados os algoritmos de regressão linear múltipla, regressão de vetores de suporte, árvores de decisão e floresta aleatória. Este trabalho apresenta os resultados desenvolvidos até o momento, demonstrando o desempenho dos modelos de regressão para a caracterização de atraso e energia de uma porta NAND2 e de uma porta Inversor. Além disso, este trabalho também avalia os modelos com dados de treinamento obtidos em duas tecnologias diferentes, adotando os modelos de tecnologia preditiva bulk cmos de 32 nm e finfet de 7 nm . Especificamente, prever-se-ão os valores da energia e os tempos de propagação desses circuitos separadamente.
Uma análise comparativa, juntamente com o tempo de inferência, é feita para cada variável dependente entre os modelos, a fim de entender qual é o melhor modelo de regressão para a tarefa. Os resultados indicam que o algoritmo com a função de menor custo e menor tempo de inferência é o de árvores de decisão, para todas as 48 variáveis preditas (3 variáveis × 2 portas × 2 tecnologias × 4 algoritmos). O melhor resultado foi obtido com o algortimo de árvores de decisão na previsão do atraso da NAND2 em 7 nm, com R2=0,9999 e RMSE=0,0012 ps. Para os atrasos da porta Inversor em 32 nm, a árvores de decisão obteve RMSE de até 0,0028 ps (R2=0,9996). Em contraste, a regressão linear múltipla não superou R2=0,73 e apresentou RMSE uma ou duas ordens de magnitude maiores. A regressão de vetores de suporte teve desempenho intermediário, com R2 entre 0,31 e 0,93 dependendo da variável. Já a previsão de energia foi mais difícil para os modelos lineares (R2 entre 0,47 e 0,60), enquanto os métodos baseados em árvores obtiveram ajustes quase perfeitos, com RMSE de até 0,0096 fJ (Inversor, 7 nm) e 0,002 fJ (NAND2, 32 nm). Enquanto as simulações SPICE exigiram até 300 ms por célula, a árvore de decisão foi capaz de inferir todos os valores de atraso e energia em apenas 0,4 a 0,5 ms (aceleração de até 750× em relação à simulação tradicional, sem perda relevante de precisão). |
