CN116151324A - 基于图神经网络的rc互连延时预测方法 - Google Patents
基于图神经网络的rc互连延时预测方法 Download PDFInfo
- Publication number
- CN116151324A CN116151324A CN202310177071.8A CN202310177071A CN116151324A CN 116151324 A CN116151324 A CN 116151324A CN 202310177071 A CN202310177071 A CN 202310177071A CN 116151324 A CN116151324 A CN 116151324A
- Authority
- CN
- China
- Prior art keywords
- graph
- neural network
- path
- layer
- delay
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本发明提出了一种基于图神经网络的RC互连延时预测方法,本方法根据SPEF寄生参数网表,首先基于DFS(DepthFirstSearch)算法搜索得到若干RC路径,并将每条RC路径进行图表示,其中RC路径中的节点对应图的节点,节点之间的连接关系对应图的边,对地电容值、耦合电阻值分别定义为图的节点属性和边属性;然后再经由基于图卷积神经网络的推理框架进行延时推理得到结果。该方法包括两个部分:SPEF解析模块,图神经网络网络预测模块。相比使用Elmore模型和D2M模型,使用合适的图神经网络对RC路径进行图建模,可以更加快速并且准确地预测RC互连线的延时,及早发现时序违例,缩短收敛时间。
Description
技术领域
本发明属于芯片互连线延时预测领域,尤其涉及一种基于图神经网络的RC互连延时预测方法。
背景技术
传统设计流程中路径延时计算以精确模型进行求解,其效率随着电路规模的增大越发受到限制。而先进工艺中线时延在时序中所占比重越来越高,而且造成设计过程中迭代周期长,次数多。传统的互连线时序计算方法有Wire-loadModels,ElmoreDelay等。互连线延时由于绕线的长度不同、密度不同、分布不同、等效模型不同、传播方法不同等因素对延时精度精确计算造成极大影响。而使用HSPICE等电路仿真软件进行互连线延时计算会带来巨大的时间消耗。
发明内容
本发明目的在于提供一种基于图神经网络的RC互连延时预测方法,以解决布局布线阶段能够快速精确预测RC互连延时的技术问题。
为解决上述技术问题,本发明的具体技术方案如下:
一种基于图神经网络的RC互连延时预测方法,图神经网络是图卷积神经网络Graph ConvolutionalNetwork,GCN;RC互连延时是集成电路布局布线后单元电路间、模块内和多芯片组件间的信号传输载体的延时;所述方法包括以下步骤:
S1:根据布局布线后提取的标准寄生交换格式StandardParasiticExtractionFormat网表相关信息,通过深度优先搜索DepthFirstSearch原理寻找源点sourcepoint到终点endpoint对应的RC路径,构建待预测的RC路径的图拓扑信息以及节点和边的特征信息;通过HSPICE得到RC路径延时的标签值;
S2:将S1步骤中每条RC路径的图拓扑信息、节点和边的特征信息以及标签值,作为图卷积神经网络的输入,该网络经过训练后将建立起从RC路径获取的图表示信息与延时信息之间的联系,作为图卷积神经网络模型参数;
S3:将使用S1步骤生成待预测RC路径的图拓扑信息以及节点和边特征信息,以及S2步骤中已训练好的图卷积神经网络模型参数作为图卷积神经网络的输入,进行RC互连延时的推理。
进一步的,步骤S1具体包括以下步骤:
S11:读取SPEF网表,对SPEF文件中的每一个RC网络生成对应的RCT结构体,将其存储到RCT_MAP结构体中;
S12:遍历RCT_MAP结构体中的每个RCT,通过DFS算法搜索出从起点sourcepoint到终点endpoints的RC路径RC_Path,然后进行一跳1-hop节点的扩展,将RC路径信息存储到RC_Path结构体中;若RCT存在多个终点,则重复执行RC路径搜索过程;
S13:将每条RC路径转换为有向有环图Graph,生成对应的邻接矩阵;将对地电容定义为Graph中的节点特征,将耦合电阻表示为Graph中的边特征,并从单元库中提取端口电容pin_cap累加到终点特征信息中,生成对应的特征矩阵;
S14:通过HSPICE对SPEF网表进行RC互连延时计算,得到的每条RC路径延时信息将作为图卷积神经网络训练的标签值;
S15:每条RC路径的邻接矩阵、特征矩阵以及标签值,作为图卷积神经网络训练的输入信息。
进一步的,步骤S3具体包括以下步骤:
S31:将S1步骤得到的用于表示图拓扑信息的邻接矩阵,以及用于表示节点和边信息的特征矩阵作为图神经网络的输入;图神经网络架构由图卷积层GraphConvolutionalLayer、图池化层GraphPoolingLayer、全连接层Fully-ConnectedLayer构成;
S32:在多层图卷积层GraphConvolutionalLayer中,第一层将邻接矩阵、特征矩阵构成的图数据为输入,进行邻域聚合和消息传递,计算得出新的节点嵌入node embedding;从第二层开始,每一层图卷积层的输出是下一层的输入,最后一个图卷积层的输出得到最终的节点嵌入;
S33:将S32步骤中最后一个图卷积层的输出,输入到图池化层GraphPoolingLayer,对具有最新节点嵌入信息的RC路径图进行下采样,获取用于表示RC路径总体图特征的单一向量;
S34:将图池化层的输出送入由全连接层Fully-ConnectedLayer,进行维度变换得到RC路径的延时输出。
进一步的,步骤S3中,图卷积神经网络采用了主邻域聚合图卷积,能准确表征RC路径延时数据特征。
本发明的基于图神经网络的RC互连延时预测方法,具有以下优点:
1、本发明提出了一种基于图卷积神经网络的智能化时序RC互连延时预测方法。利用电路分析工具HSPICE对SPEF网表进行仿真,建立样本数据集,用作训练。对于SPEF网表中的RC路径进行特征工程,通过图神经网络方法表征出RC路径的延时信息。
2、本发明采用图卷积神经网络方法,在选取合适的隐藏层通道数和层数,可以得到较好的模型拟合效果和运行速度。
3、本发明涉及到将RC互连建模成图结构数据,使用图神经网络直接建模互连延时,根据此方法具有良好的可解释性。
因此,本发明可以快速准确地实现RC互连延时的预测,有良好的实际应用价值。
附图说明
图1为本发明的RC互连延时预测框架示意图;
图2为本发明的SPEF解析流程图;
图3为本发明的主邻域聚合图卷积的示意图;
图4为本发明的图卷积神经网络模型示意图。
具体实施方式
为了更好地了解本发明的目的、结构及功能,下面结合附图,对本发明一种基于图神经网络的RC互连延时预测方法做进一步详细的描述。
本实施例中提出基于图神经网络的RC互连延时预测方法,具体划分为以下步骤:
S1:根据布局布线后提取的SPEF(StandardParasiticExtractionFormat)网表相关信息,通过DFS(DepthFirstSearch)原理寻找源点(sourcepoint)到终点(endpoint)对应的RC路径,构建待预测的RC路径的图拓扑信息以及节点和边的特征信息。通过HSPICE得到RC路径延时的标签值;
S2:将S1步骤中每条RC路径的图拓扑信息、节点和边的特征信息以及标签值,作为图卷积神经网络的输入,该网络经过训练后将建立起从RC路径获取的图表示信息与延时信息之间的联系,作为图卷积神经网络模型参数;
S3:将使用S1步骤生成待预测RC路径的图拓扑信息以及节点和边特征信息,以及S2步骤中已训练好的图卷积神经网络模型参数作为图卷积神经网络的输入,进行RC互连延时的推理。
所述步骤S1具体包括以下内容:
S11:读取SPEF网表,对SPEF文件中的每一个RC网络生成对应的RCT结构体,将其存储到RCT_MAP结构体中;
S12:遍历RCT_MAP结构体中的每个RCT,通过DFS算法搜索出从起点(sourcepoint)到终点(endpoints)的RC路径(RC_Path),然后进行一跳(1-hop)节点的扩展,将RC路径信息存储到RC_Path结构体中。如果RCT存在多个终点(endpoints),则重复执行S12中的上述过程;
S13:将每条RC路径转换为有向有环图Graph,生成对应的邻接矩阵;将对地电容定义为Graph中的节点特征,将耦合电阻表示为Graph中的边特征,并从单元库中提取端口电容(pin_cap)累加到终点特征信息中,生成对应的特征矩阵;
S14:通过HSPICE对SPEF网表进行RC互连延时计算,得到的每条RC路径延时信息将作为图卷积神经网络训练的标签值;
S15:每条RC路径的邻接矩阵、特征矩阵以及标签值,作为图卷积神经网络训练的输入信息;
所述步骤S3具体包括以下内容:
S31:将S1步骤得到的用于表示图拓扑信息的邻接矩阵,以及用于表示节点和边信息的特征矩阵作为图神经网络的输入。图神经网络架构由图卷积层(GraphConvolutionalLayer)、图池化层(GraphPoolingLayer)、全连接层(Fully-ConnectedLayer)构成;
S32:在多层图卷积层(GraphConvolutionalLayer)中,第一层将邻接矩阵、特征矩阵构成的图数据为输入,进行邻域聚合和消息传递,计算得出新的节点嵌入(nodeembedding)。从第二层开始,每一层图卷积层的输出是下一层的输入,最后一个图卷积层的输出得到最终的节点嵌入;
S33:将S32步骤中最后一个图卷积层的输出,输入到图池化层(GraphPoolingLayer),对具有最新节点嵌入信息的RC路径图进行下采样,获取用于表示RC路径总体图特征的单一向量;
S34:将图池化层的输出送入由全连接层(Fully-ConnectedLayer),进行维度变换得到RC路径的延时输出;
例如:构建的图卷积神经网络使用了主邻域聚合图卷积(PNAConv),图神经网络的层数为3,隐藏层神经元个数为64,图池化层使用了Sum_nodes,预测全连接层的层数为3,边特征维度为1,节点特征维度为1。随后计算该网络的预测值与真实值之间的平均绝对值误差;之后通过自适应矩估计优化器Adam来最小化平均绝对值误差,优化模型参数。例如:图神经网络的训练参数分别为,训练批次为128,初始学***均绝对值误差函数。
可以理解,本发明是通过一些实施例进行描述的,本领域技术人员知悉的,在不脱离本发明的精神和范围的情况下,可以对这些特征和实施例进行各种改变或等效替换。另外,在本发明的教导下,可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此,本发明不受此处所公开的具体实施例的限制,所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。
Claims (4)
1.一种基于图神经网络的RC互连延时预测方法,其特征在于,所述图神经网络是图卷积神经网络GCN;所述RC互连延时是集成电路布局布线后单元电路间、模块内和多芯片组件间的信号传输载体的延时;所述方法包括以下步骤:
S1:根据布局布线后提取的标准寄生交换格式SPEF网表相关信息,通过深度优先搜索Depth First Search原理寻找源点sourcepoint到终点endpoint对应的RC路径,构建待预测的RC路径的图拓扑信息以及节点和边的特征信息;通过HSPICE得到RC路径延时的标签值;
S2:将S1步骤中每条RC路径的图拓扑信息、节点和边的特征信息以及标签值,作为图卷积神经网络的输入,该网络经过训练后将建立起从RC路径获取的图表示信息与延时信息之间的联系,作为图卷积神经网络模型参数;
S3:将使用S1步骤生成待预测RC路径的图拓扑信息以及节点和边特征信息,以及S2步骤中已训练好的图卷积神经网络模型参数作为图卷积神经网络的输入,进行RC互连延时的推理。
2.根据权利要求1所述的基于图神经网络的RC互连延时预测方法,其特征在于,所述步骤S1具体包括以下步骤:
S11:读取SPEF网表,对SPEF文件中的每一个RC网络生成对应的RCT结构体,将其存储到RCT_MAP结构体中;
S12:遍历RCT_MAP结构体中的每个RCT,通过DFS算法搜索出从起点sourcepoint到终点endpoints的RC路径RC_Path,然后进行一跳1-hop节点的扩展,将RC路径信息存储到RC_Path结构体中;若RCT存在多个终点,则重复执行RC路径搜索过程;
S13:将每条RC路径转换为有向有环图Graph,生成对应的邻接矩阵;将对地电容定义为Graph中的节点特征,将耦合电阻表示为Graph中的边特征,并从单元库中提取端口电容pin_cap累加到终点特征信息中,生成对应的特征矩阵;
S14:通过HSPICE对SPEF网表进行RC互连延时计算,得到的每条RC路径延时信息将作为图卷积神经网络训练的标签值;
S15:每条RC路径的邻接矩阵、特征矩阵以及标签值,作为图卷积神经网络训练的输入信息。
3.根据权利要求2所述的基于图神经网络的RC互连延时预测方法,其特征在于,所述步骤S3具体包括以下步骤:
S31:将S1步骤得到的用于表示图拓扑信息的邻接矩阵,以及用于表示节点和边信息的特征矩阵作为图神经网络的输入;图神经网络架构由图卷积层Graph ConvolutionalLayer、图池化层Graph Pooling Layer、全连接层Fully-Connected Layer构成;
S32:在多层图卷积层Graph Convolutional Layer中,第一层将邻接矩阵、特征矩阵构成的图数据为输入,进行邻域聚合和消息传递,计算得出新的节点嵌入node embedding;从第二层开始,每一层图卷积层的输出是下一层的输入,最后一个图卷积层的输出得到最终的节点嵌入;
S33:将S32步骤中最后一个图卷积层的输出,输入到图池化层Graph Pooling Layer,对具有最新节点嵌入信息的RC路径图进行下采样,获取用于表示RC路径总体图特征的单一向量;
S34:将图池化层的输出送入由全连接层Fully-Connected Layer,进行维度变换得到RC路径的延时输出。
4.根据权利要求2所述的基于图神经网络的RC互连延时预测方法,其特征在于,所述步骤S3中,图卷积神经网络采用了主邻域聚合图卷积,能准确表征RC路径延时数据特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310177071.8A CN116151324A (zh) | 2023-02-28 | 2023-02-28 | 基于图神经网络的rc互连延时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310177071.8A CN116151324A (zh) | 2023-02-28 | 2023-02-28 | 基于图神经网络的rc互连延时预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116151324A true CN116151324A (zh) | 2023-05-23 |
Family
ID=86359901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310177071.8A Pending CN116151324A (zh) | 2023-02-28 | 2023-02-28 | 基于图神经网络的rc互连延时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116151324A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522999A (zh) * | 2023-06-26 | 2023-08-01 | 深圳思谋信息科技有限公司 | 模型搜索与时延预测器训练方法、装置、设备及存储介质 |
CN116861782A (zh) * | 2023-07-05 | 2023-10-10 | 南京邮电大学 | 基于机器学习和节点有效电容的线延时预测方法 |
CN117709258A (zh) * | 2023-12-12 | 2024-03-15 | 南京邮电大学 | 基于图神经网络的路径时序预测方法 |
CN117829083A (zh) * | 2024-03-01 | 2024-04-05 | 上海励驰半导体有限公司 | 基于神经网络的布线方法、装置、电子设备及存储介质 |
-
2023
- 2023-02-28 CN CN202310177071.8A patent/CN116151324A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522999A (zh) * | 2023-06-26 | 2023-08-01 | 深圳思谋信息科技有限公司 | 模型搜索与时延预测器训练方法、装置、设备及存储介质 |
CN116522999B (zh) * | 2023-06-26 | 2023-12-15 | 深圳思谋信息科技有限公司 | 模型搜索与时延预测器训练方法、装置、设备及存储介质 |
CN116861782A (zh) * | 2023-07-05 | 2023-10-10 | 南京邮电大学 | 基于机器学习和节点有效电容的线延时预测方法 |
CN116861782B (zh) * | 2023-07-05 | 2024-04-02 | 南京邮电大学 | 基于机器学习和节点有效电容的线延时预测方法 |
CN117709258A (zh) * | 2023-12-12 | 2024-03-15 | 南京邮电大学 | 基于图神经网络的路径时序预测方法 |
CN117829083A (zh) * | 2024-03-01 | 2024-04-05 | 上海励驰半导体有限公司 | 基于神经网络的布线方法、装置、电子设备及存储介质 |
CN117829083B (zh) * | 2024-03-01 | 2024-05-28 | 上海励驰半导体有限公司 | 基于神经网络的布线方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116151324A (zh) | 基于图神经网络的rc互连延时预测方法 | |
Lu et al. | TP-GNN: A graph neural network framework for tier partitioning in monolithic 3D ICs | |
CN112382082A (zh) | 一种拥堵区域交通运行状态预测方法及*** | |
Liu et al. | PSO-based power-driven X-routing algorithm in semiconductor design for predictive intelligence of IoT applications | |
CN103905246B (zh) | 基于分组遗传算法的链路预测方法 | |
CN113762595B (zh) | 通行时间预测模型训练方法、通行时间预测方法及设备 | |
CN114861591B (zh) | 一种可微分时序驱动的芯片布局优化方法 | |
CN115017850A (zh) | 一种数字集成电路优化方法 | |
CN112528591A (zh) | 一种基于联合蒙特卡洛树搜索的pcb板自动布线方法 | |
CN109787821B (zh) | 一种大规模移动客户流量消费智能预测方法 | |
CN115146580A (zh) | 基于特征选择和深度学习的集成电路路径延时预测方法 | |
CN110674326A (zh) | 一种基于多项式分布学习的神经网络结构检索方法 | |
CN112464611B (zh) | 一种基于云端协同智能处理的pcb自动布线*** | |
CN104486222B (zh) | 基于蚁群优化算法的小时延缺陷测试关键路径选择方法 | |
US20220391566A1 (en) | Machine learning models for predicting detailed routing topology and track usage for accurate resistance and capacitance estimation for electronic circuit designs | |
CN104156462A (zh) | 基于元胞自动学习机的复杂网络社团挖掘方法 | |
CN117236246A (zh) | 一种考虑多输入转换效应的单元时序预测方法、设备及介质 | |
CN115797732B (zh) | 用于开放类别场景下的图像检索模型训练方法及*** | |
CN109740221B (zh) | 一种基于搜索树的智能工业设计算法 | |
CN116129648A (zh) | 一种路网拥堵关键节点识别方法、设备、介质 | |
CN115270686A (zh) | 一种基于图神经网络的芯片布局方法 | |
CN114707460A (zh) | 一种基于神经网络和序列对的布图规划面积最优方法 | |
CN113901753A (zh) | 一种利用机器学习预测电路性能的方法 | |
CN117709258B (zh) | 基于图神经网络的路径时序预测方法 | |
CN114398823A (zh) | 一种利用复杂网络和机器学习预测电路拥塞度方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |