Effective Capacitance Modeling Using Graph Neural Networks

Resumen Técnico: Modelado de Capacitancia Efectiva Mediante Redes Neuronales de Grafos

Enunciado del Problema
El Análisis de Temporización Estática (STA) es un componente crítico del flujo de diseño VLSI, pero enfrenta una dependencia cíclica donde el análisis de temporización depende de la colocación y el enrutamiento, mientras que la eficiencia de esas etapas depende de predicciones de temporización. Un cuello de botella fundamental en el STA es el cálculo de la capacitancia efectiva ($C_{eff}$), requerido para el cálculo preciso del retardo de las puertas. Los métodos tradicionales dependen de heurísticas iterativas, como la combinación del modelo $\pi$ de O'Brien y el algoritmo de Dartu, para aproximar $C_{eff}$. Estos métodos implican simplificar redes de interconexión RC complejas e iterativamente resolver para $C_{eff}$ a fin de coincidir con las formas de onda de corriente. Sin embargo, estos enfoques tienen limitaciones:

1. Precisión: Dependen de suposiciones (por ejemplo, resistencia de conducción fija, rampas de slew simples) que pueden conducir a imprecisiones, particularmente en procesos modernos con efectos significativos de blindaje resistivo.
2. Robustez: Las heurísticas pueden fallar en converger, resultando en valores físicamente imposibles (por ejemplo, $C_{eff} < 0$ o $C_{eff} > C_{total}$), forzando a las herramientas a recurrir a modelos de capacitancia concentrada pesimistas.
3. Velocidad: Calcular $C_{eff}$ es computacionalmente costoso, especialmente cuando se realiza a través de múltiples esquinas Proceso-Voltaje-Temperatura (PVT) y escenarios estadísticos requeridos para una aprobación robusta.

Metodología
Los autores proponen GNN-Ceff, el primer método basado en Redes Neuronales de Grafos (GNN) para el modelado de capacitancia efectiva post-diseño de layout. El enfoque trata la red de interconexión RC como un grafo y aprende a predecir $C_{eff}$ directamente, evitando los pasos iterativos de reducción.

• Representación del Grafo: Los autores mapean la red RC extraída ($G_{RC}$) a un grafo GNN ($G_{GNN}$). Para abordar las limitaciones de las GNN estándar "centradas en nodos" al manejar características de aristas, representan tanto los nodos del circuito (pines/uniones) como los cables (aristas) como nodos en el grafo. Los nodos de unión se eliminan posteriormente para reducir el tamaño del grafo mientras se mantiene la conectividad.
• Ingeniería de Características: Las características del nodo incluyen banderas de conductor/fanout, slew de entrada ($t_\Delta$), resistencia del conductor ($R_d$), capacitancia del pin ($C_p$), resistencia del cable ($R_w$) y capacitancia del cable ($C_w$). Crucialmente, el modelo incorpora la resistencia acumulada aguas arriba ($R_u$) y la capacitancia aguas abajo ($C_d$) para proporcionar un contexto similar a los modelos de retardo Elmore, junto con conteos de saltos desde el conductor.
• Arquitectura del Modelo: El modelo utiliza Redes de Atención de Grafos (GAT) con múltiples cabezas de atención para aprender relaciones entre vecinos. Esto es seguido por una capa de agregación atencional para el agrupamiento a nivel de grafo, que realiza implícitamente la Reducción de Orden de Modelo (MOR). Las características agregadas se alimentan a un Perceptrón Multicapa (MLP) para predecir la relación de $C_{eff}/C_{total}$.
• Estrategia de Entrenamiento: Para superar la distribución sesgada de los tamaños de red en diseños del mundo real (donde la mayoría de las redes son pequeñas), los autores generaron un conjunto de datos de entrenamiento sintético utilizando la herramienta GeoSteiner. Este conjunto de datos presenta grados de red y valores de $C_{eff}$ distribuidos uniformemente, asegurando que el modelo se generalice bien a redes más grandes y complejas. El modelo se entrena con estos datos sintéticos pero se evalúa en puntos de referencia del mundo real del flujo OpenROAD utilizando el nodo tecnológico ASAP7.

Contribuciones Clave

1. Primera GNN para $C_{eff}$ Post-Layout: El artículo introduce la primera aplicación de GNN para predecir la capacitancia efectiva después de que el diseño físico esté completo.
2. MOR Implícita: El modelo integra la Reducción de Orden de Modelo directamente en el proceso de aprendizaje mediante mecanismos de agrupamiento y atención en grafos, eliminando la necesidad de pasos de reducción explícitos y discretos.
3. Entrenamiento con Datos Sintéticos: Los autores demuestran una metodología donde un modelo entrenado con datos sintéticos distribuidos uniformemente logra alta precisión en distribuciones sesgadas del mundo real.
4. Optimización de Hiperparámetros: Se realizó una búsqueda sistemática para optimizar la arquitectura GNN, incluyendo el número de capas, cabezas de atención y tasas de abandono (dropout).

Resultados
El método fue evaluado utilizando un flujo completo de herramientas de código abierto RTL2GDS (OpenROAD) en el nodo tecnológico ASAP7 a través de esquinas PVT típicas, rápidas y lentas.

• Precisión:
  • En el conjunto de datos típico de OpenROAD, GNN-Ceff logró un Error Absoluto Medio (MeAE) de 0.01 fF, en comparación con 0.01 fF para la heurística O'Brien/Dartu.
  • En el conjunto de datos sintético (que contiene redes más grandes y desafiantes), GNN-Ceff logró un MeAE de 0.24 fF, superando significativamente a la heurística O'Brien/Dartu, que tuvo un MeAE de 7.85 fF.
  • Robustez: A diferencia de la heurística, que falló al calcular $C_{eff}$ válida en hasta el 6.19% de los casos sintéticos (y hasta el 0.07% en casos de OpenROAD), GNN-Ceff nunca falló en producir un resultado. La función de activación sigmoidea en la capa final asegura que las predicciones permanezcan dentro de límites físicamente posibles (relación de 0 a 1).
• Velocidad:
  • Aprovechando la paralelización de GPU, GNN-Ceff demostró aceleraciones significativas sobre la heurística más avanzada ejecutada en serie.
  • En el conjunto de datos de OpenROAD, GNN-Ceff logró una aceleración de 929x sobre el método serial O'Brien/Dartu.
  • Incluso cuando la heurística O'Brien/Dartu se ejecutó en paralelo en 64 núcleos de CPU, GNN-Ceff (ejecutándose en una sola GPU) mantuvo una aceleración de 15x en el conjunto de datos de OpenROAD y una aceleración de 3x en el conjunto de datos sintético.

Significado
El artículo afirma que GNN-Ceff representa un avance significativo en el análisis de temporización VLSI al proporcionar un método que es tanto más preciso como órdenes de magnitud más rápido que las heurísticas actuales. Al lograr alta precisión sin el riesgo de fallo de convergencia y aprovechando la paralelización de GPU, el método permite una verificación de temporización más rápida a través de múltiples esquinas. Esta capacidad se presenta como un medio para mejorar la eficiencia de las etapas anteriores del diseño (colocación y enrutamiento) al proporcionar retroalimentación de temporización rápida y confiable, contribuyendo finalmente a mejores resultados de Potencia, Rendimiento y Área (PPA) en los flujos de diseño VLSI.