arXiv cs.AI· Qi Zhou, Guojun Liu, Juanhong Zhao, Guangzhi Qi, Zehao Chen, Ming Lu·· 12 小时前AI 评分31
EGGPlacer：能量引导的扩散模型芯片布局方法
EGGPlacer: Energy-Guided Generative Chip Placement with Diffusion Models
AI 导读
EGGPlacer 是一个能量引导的扩散框架，将解析布局反馈与热反馈注入宏单元布局生成过程，无需重新训练生成模型。在公开布局基准上，其混合尺寸 HPWL 与强解析式和基于学习的宏布局器相当，端到端评估中取得所评估方法里最低的平均布线线长和峰值温度。消融实验显示解析引导与热引导在布线线长代理、布线线长和热目标上提供互补收益。
正文 · AI 翻译
摘要：芯片布局会显著影响布线后的线长和热行为，但这些下游指标在宏单元布局阶段难以评估。基于学习的宏单元布局器通常优化仅考虑宏单元的半周长线长（HPWL），记为 mHPWL，它忽略了标准单元连接性和空间需求。相比之下，解析式混合尺寸布局器优化可微的全网表线长和密度目标，但通常不考虑热效应。我们提出 EGGPlacer，一种能量引导的扩散框架，将解析式布局反馈和热反馈融入宏单元布局生成过程。解析式布局器作为在线物理响应模型，给出每个中间宏单元布局所诱导的标准单元分布和全网表线长代理，而可微热模型提供温度反馈。这些信号被表述为可组合的能量，并在整个反向扩散过程中注入，无需重新训练底层生成模型。在公开布局基准上的实验表明，EGGPlacer 相对于强解析式和基于学习的宏单元布局器，取得了有竞争力的混合尺寸 HPWL。在端到端评估中，EGGPlacer 在评估方法中还获得了最低的平均布线后线长和峰值温度。消融研究进一步表明，解析式引导和热引导在线长代理、布线后线长和热目标上提供了不同且互补的收益。
| 评论： | 27 页，9 幅图，11 张表。预印本 |
| 主题： | 硬件架构（cs.AR）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.33099 [cs.AR] |
| （或 arXiv:2610.33099v1 [cs.AR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.33099 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Qi Zhou [查看电子邮件]
[v1]
2026 年 10 月 22 日星期四 14:05:14 UTC（2,289 KB）
来源：arXiv cs.AI · arxiv.org