Resumen Técnico: FusionCell

Enunciado del Problema

Las celdas estándar sirven como los bloques constructivos fundamentales de los circuitos digitales VLSI, donde sus características de retardo y potencia determinan críticamente el rendimiento general del chip. La caracterización tradicional depende de una pipeline lenta y de múltiples pasos que involucra la extracción de Resistencia/Capacitancia (R/C) a partir de la geometría del diseño, seguida de una simulación exhaustiva del circuito. Este proceso puede tomar días para una librería completa, creando un cuello de botella para las pipelines de Co-Optimización de Tecnología y Diseño (DTCO) que requieren iteración rápida sobre vastos espacios de diseño.

Si bien se han propuesto enfoques de Aprendizaje Automático (ML) para acelerar este proceso, los métodos existentes sufren limitaciones significativas:

• Modelos solo de netlist: Las Redes Neuronales de Grafos (GNN) y los Transformadores de Grafos capturan la conectividad topológica pero ignoran la geometría del diseño, fallando en contabilizar los efectos R/C dependientes del diseño.
• Modelos solo de diseño: Los regresores basados en visión capturan detalles espaciales pero carecen del contexto de la netlist, siendo incapaces de distinguir entre señales eléctricamente activas y rellenos ficticios (dummy fills) o de respetar las restricciones de conectividad.
• Fusión ingenua: Los intentos previos de combinar estas modalidades a menudo dependen de una fusión tardía o de una concatenación simétrica, lo cual falla en establecer una correspondencia de grano fino entre nodos eléctricos específicos y sus realizaciones geométricas físicas.

El desafío central es representar conjuntamente la geometría del diseño y la topología de la netlist de tal manera que los modelos puedan capturar detalles espaciales de grano fino (parásitos) junto con la conectividad estructural para una predicción precisa del rendimiento.

Metodología: FusionCell

FusionCell es un predictor de doble modalidad diseñado para tratar la geometría del diseño enrutado y la topología de la netlist como entradas obligatorias explícitamente fusionadas. La arquitectura se basa en la intuición física de que la netlist define el "esqueleto" (rango de rendimiento) mientras que el diseño proporciona la "carne" (variaciones R/C), requiriendo un mecanismo guiado por topología para interpretar la geometría.

1. Representación del Diseño (Codificador DeiT)

El diseño enrutado se trata como un tensor de imagen de múltiples capas.

• Entrada: Un tensor de tres canales que representa las capas principales de enrutamiento (M0, M1, M2). Los píxeles se llenan con IDs de red normalizados en lugar de ocupación binaria para preservar la conectividad semántica entre capas.
• Preprocesamiento: La conectividad vertical (vías) se preserva mediante proyección intercapas sobre planos de metal 2D adyacentes. Los diseños se alinean a lo largo de su dimensión más larga para minimizar artefactos de relleno (padding).
• Codificación: Un backbone de Transformador de Imagen Eficiente en Datos (DeiT) procesa el tensor, dividiéndolo en parches y generando una secuencia de tokens espaciales del diseño ($Z_L$). Este mecanismo de auto-atención global se elige por su capacidad para modelar efectos distribuidos de largo alcance, como la caída de voltaje (IR drop) y la capacitancia de acoplamiento acumulativa.

2. Representación de la Netlist (Transformador de Grafos)

La netlist se modela como un grafo heterogéneo para capturar tanto la conectividad local como las correlaciones globales.

• Construcción del Grafo: El grafo contiene dos tipos de nodos: Nodos de Dispositivo (transistores con atributos como la fuerza de conducción) y Nodos de Red (conexiones eléctricas).
• Aristas: Se definen dos tipos de aristas:
  • Aristas de Conectividad: Cableado físico entre dispositivos y redes.
  • Aristas de Correlación: Enlaces entre redes estructuralmente relacionadas para capturar el flujo de señal y la interferencia potencial.
• Codificación: Un codificador Transformador de Grafos procesa este grafo heterogéneo. Emplea un sesgo estructural en el mecanismo de atención para hacer cumplir el paso de mensajes solo entre nodos conectados, asegurando que el modelo respete la topología subyacente del circuito mientras captura dependencias globales. Esto produce tokens de grafo ($Z_G$).

3. Fusión Multimodal Guiada por Topología

La innovación central es un mecanismo de atención cruzada asimétrico donde la netlist actúa como un "mapa" estructural para consultar el diseño.

• Mecanismo: Los tokens de grafo ($Z_G$) sirven como Consultas (Queries), mientras que los tokens de diseño ($Z_L$) sirven como Claves (Keys) y Valores.
• Función: Para cada nodo eléctrico (por ejemplo, una red de salida), el mecanismo de atención escanea activamente el diseño para recuperar detalles geométricos relevantes (trazas de metal, vías).
• Sesgo Inductivo: Este diseño impone que las características del diseño solo se consideren en la medida en que afectan a componentes eléctricos específicos, evitando que el modelo se sobreajuste a texturas de fondo o áreas de silicio irrelevantes.
• Salida: Los tokens fusionados se agregan mediante agrupación (pooling) consciente de máscaras y se pasan a una cabeza de regresión Multicapa Perceptrón (MLP) para predecir seis métricas: Retardo de Subida/Bajada, Transición de Subida/Bajada y Potencia de Subida/Bajada.

Contribuciones Clave

1. Marco FusionCell: Un predictor de doble modalidad que integra la geometría del diseño enrutado y la topología de la netlist mediante un mecanismo de atención cruzada guiado por topología, logrando una predicción de rendimiento precisa y estable en cuanto a clasificación.
2. Codificación Preservadora de Geometría: Una estrategia de representación para diseños enrutados utilizando DeiT que retiene información crítica de metal y vías para R/C a través de múltiples capas de enrutamiento, habilitando un razonamiento espacial de grano fino.
3. Modelado de Netlist Consciente de Topología: Una representación de grafo heterogéneo utilizando Transformadores de Grafos que captura explícitamente tanto la conectividad dispositivo-red como las correlaciones red-red, proporcionando una representación estructural eléctricamente significativa.
4. Conjunto de Datos de 7nm: La generación de un conjunto de datos a gran escala basado en el PDK ASAP7 que contiene más de 19.500 celdas de 149 tipos, generado mediante herramientas automáticas, dirigido a seis métricas clave de retardo y potencia.

Resultados Experimentales

Los experimentos se realizaron en la referencia de 7nm ASAP7, comparando FusionCell contra vision-only, fusión tardía, fusión simétrica y líneas base de última generación (ProtoCellLayout).

• Precisión de Regresión: FusionCell logró un Error Porcentual Absoluto Medio (MAPE) promedio de 0,92% y un $R^2$ de 0,977. Esto superó significativamente a la mejor línea base (Fusión Simétrica, 2,19% MAPE) y al estado del arte ProtoCellLayout (4,16% MAPE).
• Consistencia en la Clasificación: Para la clasificación de variantes de celda (crítica para la síntesis), FusionCell alcanzó un $\rho$ de Spearman de 0,86 y un $\tau$ de Kendall de 0,76, demostrando una capacidad superior para distinguir diferencias estructurales de grano fino en comparación con las líneas base que a menudo fallaban al clasificar las variantes correctamente.
• Eficiencia: FusionCell completó la inferencia para todo el conjunto de datos de 19,5k celdas en aproximadamente 67 segundos en una sola GPU. Esto representa una aceleración de $10^4\times$ en comparación con la simulación tradicional, que requirió más de 5 días para generar las mismas etiquetas de referencia.
• Estudios de Ablación: Eliminar la fusión guiada por topología (reemplazándola por fusión simétrica) o eliminar las aristas de correlación del grafo resultó en una degradación significativa del rendimiento, validando la necesidad del mecanismo de consulta dirigido y la inclusión de correlaciones red-red.

Significado e Impacto

El artículo afirma que FusionCell establece un paradigma generalizable para la Automatización Electrónica de Diseño (EDA) multimodal al alinear la arquitectura del modelo con la jerarquía física de los datos de diseño. Al tratar la netlist como un mecanismo de consulta activo para la geometría del diseño, el modelo imita el proceso de extracción física R/C, asegurando que las predicciones se basen en la conectividad eléctrica y no en la textura visual.

El significado principal radica en permitir una exploración rápida del espacio de diseño. Al reemplazar días de computación intensiva con inferencia a nivel de milisegundos, FusionCell permite a los diseñadores filtrar candidatos e identificar celdas óptimas de Pareto antes de ejecutar simulaciones costosas de certificación. Esta aceleración es crucial para las pipelines DTCO y contribuye a reducir el consumo de energía y la huella de carbono del proceso de diseño de chips. El trabajo se posiciona como un paso hacia la democratización de herramientas EDA avanzadas al hacer que la predicción de rendimiento de alta fidelidad sea accesible y rápida.