arXiv cs.AI· Andrew B. Kahng, Yiting Liu, Zhiang Wang·· 4 小时前AI 评分26
MLBuf-RePlAce:基于递归学习的虚拟缓冲感知解析式全局布局框架
Recursive Learning-Based Virtual Buffering for Analytical Global Placement
AI 导读
MLBuf-RePlAce 是首个开源的学习驱动虚拟缓冲感知解析式全局布局框架,构建于 OpenROAD 基础设施之上,采用递归学习生成式缓冲方法预测缓冲器类型与位置,并在全局布局阶段处理 ERC 违规。
正文 · AI 翻译
摘要:由于现代工艺节点中互连与单元延迟的缩放比例失衡,在物理综合流程中,具备缓冲孔隙率(即单元密度)感知的布局对于时序收敛至关重要。然而,现有方法面临两个关键挑战:(i) 传统的 van Ginneken-Lillis 风格缓冲方法在全局布局阶段计算开销高昂;(ii) 基于机器学习的方法(如 BufFormer)缺乏对电气规则检查(ERC)违例的充分考虑,且未能“闭环”回到物理设计流程中。在本工作中,我们提出了 MLBuf-RePlAce,这是首个开源的、学习驱动的虚拟缓冲感知解析全局布局框架,构建于 OpenROAD 基础设施之上。MLBuf-RePlAce 采用高效的基于递归学习的生成式缓冲方法预测缓冲器类型和位置,在全局布局期间处理 ERC 违例。我们使用来自 TILOS MacroPlacement 和 OpenROAD-flow-scripts 仓库的开源测试用例,将 MLBuf-RePlAce 与 OpenROAD 中默认的基于虚拟缓冲的时序驱动全局布局器进行比较。在不降低布线后功耗的情况下,MLBuf-RePlAce 在开源 OpenROAD 流程中实现了总负裕量(TNS)的(最大、平均)改进分别为(56%、31%)。在商业流程中按完成度评估时,MLBuf-RePlAce 实现了 TNS 的(最大、平均)改进分别为(53%、28%),布线后功耗平均改进 0.2%。
| 主题: | 机器学习(cs.LG);人工智能(cs.AI) |
| 引用为: | arXiv:2506.17247 [cs.LG] |
| (或 arXiv:2506.17247v3 [cs.LG] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2506.17247 由 DataCite 颁发的 arXiv DOI |
提交历史
来自:Yiting Liu [查看邮箱]
[v1]
2025年6月7日星期六 18:22:31 UTC(564 KB)
[v2]
2025年7月30日星期三 18:51:25 UTC(567 KB)
[v3]
2026年11月17日星期二 07:52:01 UTC(449 KB)
来源:arXiv cs.AI · arxiv.org