Средства автоматизированного проектирования электроники (EDA, их также называют системами автоматизированного проектирования — CAD) — это программные инструменты, без которых сегодня не обходится ни одна разработка интегральных схем. Именно они позволяют инженерам проектировать сверхбольшие интегральные схемы (VLSI) с миллиардами транзисторов. Чем сложнее и крупнее становятся электронные системы, тем более критичной оказывается роль EDA-инструментов.
Зачем ИИ понадобился в проектировании чипов
На фоне бурного развития алгоритмов искусственного интеллекта сообщество разработчиков EDA всё активнее исследует применение ИИ в методологиях проектирования интегральных схем. Уже накопилось немало работ, посвящённых предсказанию событий на разных этапах цикла разработки чипа с помощью машинного обучения — это помогает быстрее добиваться сходимости проекта.
Заметным примером стала работа исследователей Google 2021 года «A graph placement methodology for rapid chip design», опубликованная в журнале Nature. В ней команда применила обучение с подкреплением (RL) для стратегического размещения макроблоков на кристалле. Подход можно образно описать так: каждый макроблок — это камень, а топология чипа — доска для игры го. RL-агент, предварительно обученный на 10 000 внутренних проектных образцов, учится размещать макроблоки один за другим. На чипах Google TPU такой агент, дообученный под конкретный проект, способен превзойти традиционные EDA-инструменты по совокупности показателей производительности, энергопотребления и площади (PPA).
Главной преградой для подобных исследований остаётся дефицит данных: крупные публичные датасеты для этой области почти отсутствуют, а сформировать большой внутренний набор данных для валидации самостоятельно способны немногие команды — это дорого и трудоёмко.
Что такое CircuitNet
Именно эту проблему решает исследовательская группа из Пекинского университета (Китай), опубликовавшая CircuitNet — первый открытый датасет, созданный специально для задач машинного обучения в быстром проектировании чипов. Он предназначен для применения ИИ в системах автоматизированного проектирования VLSI-схем.
Набор данных включает 54 синтезированных списка цепей (netlist) и более 10 000 образцов, собранных на базе шести открытых архитектур RISC-V. CircuitNet поддерживает задачи предсказания на разных стадиях проектирования и помогает решать такие задачи, как прогнозирование перегрузки трассировки (routing congestion), нарушений проектных норм (DRC violations) и падений напряжения (IR drops).
Авторы выделяют четыре ключевые особенности датасета:
- Масштаб. Более 10 тысяч образцов собраны в результате множества прогонов с использованием коммерческих PDK, поддерживаемых EDA-инструментами для техпроцесса 28 нм. В планах исследователей — добавить поддержку техпроцесса 14 нм.
- Разнообразие. В логический синтез и физическое проектирование заложены различные параметры, отражающие реальные условия, с которыми сталкиваются разработчики на этапе проектирования.
- Многозадачность. Датасет позволяет прогнозировать сразу три типа событий — перегрузку трассировки, нарушения проектных норм и падения напряжения — а значит, пригоден для широкого круга задач.
- Удобство использования. Признаки уже предобработаны и преобразованы в массивы Numpy с удалением избыточной информации, поэтому данные легко и быстро загружаются с помощью Python-скриптов.
Проверка на практике
Чтобы подтвердить пригодность датасета, авторы протестировали его на трёх задачах предсказания: перегрузке трассировки, нарушениях проектных норм и падениях напряжения. Для каждой задачи использовалась методика из недавних исследований, а результаты на CircuitNet сравнивались с оригинальными работами по тем же метрикам оценки. В итоге полученные показатели совпали с результатами исходных публикаций, что подтвердило жизнеспособность CircuitNet как инструмента для машинного обучения.
В дальнейшем команда планирует расширять размер и разнообразие датасета за счёт новых образцов данных, полученных на крупномасштабных проектах с использованием более современных техпроцессов. Подробная документация по экспериментальной части доступна на GitHub.
Источник: MarkTechPost.