PPAPlace: Differentiable Cross-Stage Objectives for Chip Placement Optimization
يقدم PPAPlace نموذجاً بديلاً قابلاً للتفاضل وموجهاً بالتوقيت، تم تدريبه على تسميات ما بعد التوجيه العالمي، والذي يستفيد من الانتباه الرسومي والمكاني ثنائي المسار للتنبؤ وتحسين مقاييس القدرة والأداء والمساحة (PPA) لما بعد التوجيه، مما يحسن بشكل كبير أسوأ سلب سلبي (WNS) وإجمالي السلب السلبي (TNS) مقارنة بالنماذج المرجعية الهرمية دون الحاجة إلى إعادة تدريب الدائرة الاختبارية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك مهندس معماري يحاول بناء المدينة الأكثر كفاءة، ولكن بدلاً من ناطحات السحاب والمنتزهات، تقوم بترتيب مكونات إلكترونية دقيقة على شريحة سيليكون مجهرية. هذا هو عالم وضع المكونات (chip placement)، وهي خطوة حاسمة في صنع أجهزة الكمبيوتر والهواتف التي نستخدمها كل يوم. الهدف هو ترتيب هذه المكونات بحيث يمكن للكهرباء أن تنتقل بينها بأسرع ما يمكن، باستخدام أقل قدر من الطاقة والمساحة. إذا كان الترتيب فوضوياً، ستتعثر الإشارات في الازدحام المروري، وتسخن الشريحة، وتنفد البطارية بسرعة. لعقود من الزمن، استخدم المهندسون قاعدة بسيطة لتنظيم هذه الشرائح: يحاولون تقليل إجمالي طول الأسلاك التي تربط الأجزاء ببعضها البعض. الأمر يشبه محاولة تخطيط مدينة من خلال التأكد فقط من أن الطرق قصيرة قدر الإمكان. لكن هنا تكمن المفاجأة: مجرد كون الطرق قصيرة لا يعني بالضرورة أن حركة المرور ستتدفق بسلاسة. فأحياناً، قد يؤدي الطريق القصير إلى طريق مسدود أو عنق زجاجة، مما يتسبب في توقف المدينة بأكملها بسبب الازدحام. يستكشف هذا البحث سبب فشل هذه القاعدة القديمة غالباً، ويقدم طريقة جديدة وأكثر ذكاءً لتصميم هذه المدن المجهرية.
اكتشف الباحثان، روغو تشين وجي هان، أن الطريقة القديمة المتمثلة في مجرد حساب أطوال الأسلاك هي في الواقع مؤشر سيئ للغاية لكيفية أداء الشريحة في العالم الحقيقي. لقد وجدا أن التحسين من أجل أسلاك قصيرة غالباً ما يؤدي إلى شرائح أبطأ وأقل كفاءة من تلك المصممة باستخدام المعيار المرجعي القياسي في الصناعة، Hier-RTLMP، وغيرها من طرق الذكاء الاصطناعي السابقة. ولإصلاح ذلك، قاما ببناء "كرة بلورية" لمصممي الشرائح. هذه الكرة البلورية هي برنامج كمبيوتر خاص يمكنه النظر إلى تخطيط الشريحة والتنبؤ بدقة بمدى سرعة تشغيلها وكمية الطاقة التي ستستهلكها، حتى قبل بناء الشريحة بالكامل. وخلافاً للمحاولات السابقة التي كانت تنظر فقط إلى المباني الكبيرة والمهمة (المعروفة بالماكرو - macros) وتخمن بناءً على مسودات أولية تقريبية، فإن هذه الأداة الجديدة تنظر إلى المدينة بأكملها، بما في ذلك المنازل الصغيرة (الخلايا القياسية - standard cells) وأنماط حركة المرور على الطرق.
إن "الخلطة السرية" لأداتهما الجديدة، والتي تسمى PPAPlace، هي أنها تتعلم من نتائج "الامتحان النهائي" لتصاميم الشرائح. فبدلاً من التخمين بناءً على رسومات أولية، تقوم الأداة بدراسة النتائج بعد مرور الشريحة بمحاكاة كاملة لحركة المرور واستهلاك الطاقة. وهذا يسمح لها بفهم الاختناقات الحقيقية التي تسبب البطء. وبمجرد تدريب الأداة، فهي لا تكتفي بإعطاء درجة فحسب؛ بل تعطي خريطة. فهي تخبر المصمم بالضبط أي مكون صغير يجب تحريكه، وفي أي اتجاه، لجعل الشريحة تعمل بشكل أسرع. فكر في الأمر كجهاز تحديد مواقع (GPS) لا يخبرك فقط بأقصر طريق، بل يوجه سيارتك بنشاط بعيداً عن الازدحامات المرورية في الوقت الفعلي.
اختبر الفريق هذا النهج الجديد على خمسة تصاميم مختلفة للشرائح لم ترها الأداة من قبل. وكانت النتائج مبهرة. فمقارنة بالمنهج المرجعي عالي التقنية المستخدم في الصناعة (Hier-RTLMP)، حسنت أداتهم الجديدة من سرعة الشريحة (المقاسة بـ "أسوأ سلب سلبي" - worst negative slack) بنسبة 22% ومن كفاءة التوقيت الإجمالية (المقاسة بـ "إجمالي السلب السلبي" - total negative slack) بنسبة 51%. والأهم من ذلك، أنها فعلت ذلك دون جعل الشريحة تستهلك طاقة أكبر أو تصبح أصعب في البناء. لقد أظهروا أنه من خلال استخدام هذا الدليل الذكي القائم على التعلم، يمكنهم باستمرار التفوق على المنهج الهرمي المرجعي والطرق السابقة التي تم تقييمها، متجاوزين حتى النهج الخوارزمي القوي Re2MaP في المتوسط، مما يثبت أن النظر إلى الصورة الكاملة والتعلم من النتيجة النهائية هو المفتاح لبناء شرائح أسرع وأكثر كفاءة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.