Unifying Logical and Physical Layout Representations via Heterogeneous Graphs for Circuit Congestion Prediction

Ce papier présente VeriHGN, un cadre de vérification basé sur des graphes hétérogènes qui unifie les représentations logique et physique des circuits pour améliorer la précision de la prédiction de la congestion dans les flux de conception électronique.

L'essentiel

Imaginez que vous êtes un urbaniste chargé de construire une mégalopole futuriste (votre puce électronique). Vous avez des millions de petits bâtiments (les composants électroniques) et des routes invisibles qui les relient (les fils électriques).

Le problème ? Parfois, il y a trop de voitures (les signaux électriques) qui veulent passer par les mêmes rues en même temps. C'est ce qu'on appelle la congestion. Si vous ne le voyez qu'une fois la ville construite et que les voitures commencent à circuler, c'est trop tard : il faut tout démolir et reconstruire, ce qui coûte une fortune et prend des mois.

L'article que vous avez soumis décrit une nouvelle méthode, appelée VeriHGN, pour prédire ces embouteillages avant même de commencer à construire la ville.

Voici comment cela fonctionne, expliqué simplement :

1. Le Problème : Deux Mondes qui ne se parlent pas

Jusqu'à présent, les ingénieurs regardaient deux choses séparément :

• La liste des connexions (Le plan logique) : "Le bâtiment A doit parler au bâtiment B."
• La carte de la ville (Le plan physique) : "Le bâtiment A est situé ici, le B là-bas."

Les anciennes méthodes essayaient de combiner ces deux listes, mais c'était comme essayer de faire parler deux personnes qui parlent des langues différentes et qui ne se regardent pas vraiment. Elles rataient souvent les détails subtils, comme un embouteillage qui se forme parce que trois bâtiments éloignés veulent tous utiliser la même petite rue.

2. La Solution : Le "Super-Graphique" (VeriHGN)

Les auteurs ont créé un outil magique qu'ils appellent VeriHGN. Imaginez-le comme un réseau social géant qui relie tout le monde ensemble, pas seulement les voisins.

Au lieu de traiter la liste des fils et la carte de la ville séparément, VeriHGN les fusionne en une seule structure intelligente avec trois types de "personnages" (nœuds) qui discutent entre eux :

1. Les Bâtiments (Cellules) : Les petits composants.
2. Les Routes (Fils/Nets) : Les connexions qui les relient.
3. Les Quartiers (Grilles) : Des zones géographiques de la carte, de la taille d'une maison jusqu'à celle d'un quartier entier.

3. La Magie : La Conversation en Cascade

La vraie force de VeriHGN, c'est la façon dont ces personnages se parlent. C'est comme une réunion de quartier très organisée :

• Le message des bâtiments aux routes : Un bâtiment dit : "Je suis gros et j'ai beaucoup de voisins, j'ai besoin de beaucoup de route !"
• Le message des routes aux quartiers : La route entend cela et dit au quartier : "Attention, il y a une demande énorme qui passe par ici, préparez-vous à l'embouteillage !"
• Le message des quartiers aux bâtiments : Le quartier répond : "Je suis déjà saturé, tu devrais peut-être te déplacer un peu ou ton signal va être bloqué."

De plus, ils utilisent une échelle de tailles (hiérarchie). Ils ne regardent pas seulement la rue immédiate (niveau fin), mais aussi le quartier entier et la ville entière (niveaux grossiers). Cela permet de voir un embouteillage qui vient de loin, pas juste celui qui est sous le nez du bâtiment.

4. L'Entraînement : Apprendre à voir les embouteillages

Pour que ce système apprenne, on lui montre des milliers de villes passées où l'on sait exactement où les embouteillages se sont formés.

• On ne lui demande pas juste de deviner le nombre exact de voitures (ce qui est difficile).
• On lui demande surtout de classer les rues : "La rue rouge est plus embouteillée que la rue bleue". C'est crucial pour les ingénieurs : ils ont besoin de savoir où aller pour débloquer la situation, pas forcément de savoir s'il y a 100 ou 102 voitures.

Pourquoi c'est génial ?

• Plus rapide : Au lieu d'attendre des jours pour simuler le trafic complet, VeriHGN donne une prédiction en quelques secondes.
• Plus précis : Il ne se trompe pas sur les "points chauds" (les zones critiques) grâce à sa capacité à voir à la fois la logique (qui doit parler à qui) et la géographie (où ils sont).
• Plus robuste : Même si on change le type de ville (une nouvelle technologie de puce), le système s'adapte mieux que les anciens modèles.

En résumé :
VeriHGN, c'est comme avoir un oracle urbaniste qui ferme les yeux, écoute la liste des conversations entre les bâtiments, regarde la carte de la ville, et vous dit instantanément : "Attention, dans 3 jours, il y aura un bouchon monstre au coin de la rue X parce que les bâtiments A, B et C vont tous vouloir passer par là." Cela permet de réparer le problème avant même de poser la première brique.

Résumé technique

Voici un résumé technique détaillé de l'article "Unifying Logical and Physical Layout Representations via Heterogeneous Graphs for Circuit Congestion Prediction" (Unification des représentations logiques et physiques des circuits via des graphes hétérogènes pour la prédiction de congestion), rédigé en français.

---

1. Problématique et Contexte

Avec l'évolution des conceptions VLSI (Very Large Scale Integration) vers des tailles et des complexités croissantes (des dizaines de millions de cellules), la vérification de la disposition (layout) est devenue un goulot d'étranglement majeur dans les flux de conception assistée par ordinateur (EDA).

• Le défi de la congestion : La congestion de routage affecte directement la routabilité, la fermeture temporelle (timing closure) et l'intégrité de l'alimentation. Dans les flux industriels actuels, une information précise sur la congestion n'est disponible qu'après l'étape de routage détaillé, une opération coûteuse en temps de calcul qui peut nécessiter de multiples itérations.
• Limites des approches existantes : Bien que des méthodes d'apprentissage automatique aient été développées pour prédire la congestion tôt dans le processus (après le placement), elles souffrent de deux limitations fondamentales :
  1. Intégration incomplète : Elles traitent souvent la connectivité de la liste de net (netlist) et la géométrie physique du layout de manière découplée ou indirecte. Les modèles centrés sur la géométrie perdent la structure topologique, tandis que les modèles centrés sur la topologie ignorent les contraintes spatiales fines.
  2. Fusion biaisée : La plupart des méthodes utilisent des encodeurs séparés pour chaque vue (topologique et géométrique) avec une fusion tardive, ce qui empêche une interaction fine entre la logique et la physique, essentielle pour détecter les points chauds (hotspots) dans des régions denses et irrégulières.

2. Méthodologie : VeriHGN

Les auteurs proposent VeriHGN, un cadre unifié basé sur un graphe hétérogène qui intègre les composants du circuit et les grilles spatiales en une seule représentation relationnelle.

A. Construction du Graphe Hétérogène

Au lieu de traiter la liste de net et le layout comme des modalités séparées, VeriHGN les fusionne dans un graphe unique composé de trois types de nœuds et de plusieurs types d'arêtes :

• Nœuds :
  • Cellules (Cell nodes) : Représentent les cellules standard et les macros (demande de routage locale).
  • Nets (Net nodes) : Représentent les connexions électriques (pression de routage globale).
  • Grilles (Grid nodes) : Représentent les régions spatiales du layout, organisées de manière hiérarchique (de la fine résolution locale aux résolutions plus grossières régionales).
• Arêtes (Relations) :
  • Pin edges : Connectent les cellules aux nets (connectivité logique).
  • Geometric edges : Connectent les cellules proches spatialement (compétition pour les ressources locales).
  • Grid adjacency edges : Connectent les nœuds de grille voisins à la même résolution.
  • Hierarchical edges : Connectent les grilles fines aux grilles grossières (parents/enfants), permettant la propagation d'information multi-échelle.

B. Ingénierie des Caractéristiques (Feature Engineering)

Plutôt que de laisser le modèle apprendre implicitement les signaux de congestion, les auteurs injectent des caractéristiques explicites et riches :

• Cellules : Coordonnées, dimensions, nombre de pins, statistiques de longueur de fil (HPWL), type de cellule.
• Nets : HPWL, dimensions de la boîte englobante, degré du net.
• Grilles : Densité de cellules, de pins et de nets, moyenne des surfaces et des longueurs de fil.

C. Apprentissage par Passage de Messages (Message Passing)

Le modèle utilise un mécanisme de passage de messages spécifique à chaque type de relation :

1. Cellule $\leftrightarrow$ Net : Agrégation de la demande de routage des cellules vers les nets et vice-versa.
2. Grille $\leftrightarrow$ Net : Propagation du contexte de congestion spatiale (de la grille vers le net) pour que le net soit conscient des ressources disponibles sur son chemin.
3. Cellule $\leftrightarrow$ Grille : Ancrage des embeddings des cellules dans leur contexte spatial local.
4. Cellule $\leftrightarrow$ Cellule (Géométrique) : Agrégation pondérée des voisins géométriques pour modéliser la compétition locale.
5. Apprentissage Hiérarchique : Un processus en deux étapes sur les grilles :
   • Agrégation Fine $\to$ Grossière : Les grilles fines résumées vers les grilles grossières pour capturer le contexte régional.
   • Propagation Grossière $\to$ Fine : Le contexte global est réinjecté dans les grilles fines via une porte (gating mechanism) adaptative pour équilibrer fidélité locale et contexte global.

D. Objectif d'Entraînement

Pour gérer la distribution déséquilibrée des données (peu de points chauds, beaucoup de zones non congestionnées), l'approche utilise :

• Une fonction de perte de régression pondérée (Weighted MSE) qui accorde plus d'importance aux zones congestionnées.
• Une régularisation de variance pour éviter que le modèle ne prédise des valeurs constantes.
• L'arrêt précoce basé sur la corrélation de Spearman (plutôt que l'erreur quadratique) pour privilégier le bon classement des points chauds.

3. Contributions Clés

1. Représentation Unifiée : Introduction de VeriHGN, qui unifie la topologie de la liste de net et la géométrie du layout physique dans un seul graphe hétérogène, permettant une modélisation directe de leurs interactions.
2. Architecture Multi-Résolution : Conception d'un mécanisme de passage de messages hiérarchique qui permet de raisonner simultanément sur la connectivité logique et les contraintes physiques à différentes échelles spatiales.
3. Ingénierie de Caractéristiques Explicites : Démonstration que l'injection de statistiques physiques et topologiques explicites améliore l'efficacité de l'échantillonnage par rapport aux modèles purement basés sur l'apprentissage profond implicite.

4. Résultats Expérimentaux

Les expériences ont été menées sur des benchmarks industriels et académiques : ISPD2015, CircuitNet-N14 (14nm) et CircuitNet-N28 (28nm).

• Performance Globale : VeriHGN surpasse systématiquement les méthodes de l'état de l'art (GCN, GAT, CircuitGNN, MIHC) sur les deux niveaux de granularité (niveau cellule et niveau grille).
• Métriques :
  • Corrélations : Améliorations significatives des corrélations de rang (Spearman et Kendall), ce qui est crucial pour identifier correctement la sévérité relative des points chauds.
  • Erreur : Réduction des erreurs absolues (MAE) et quadratiques (RMSE).
• Étude Ablative :
  • La suppression de la hiérarchie de grille entraîne une chute drastique de la performance au niveau grille (-14,7% sur Spearman), prouvant l'importance du contexte multi-échelle.
  • La suppression des messages Grille-Net dégrade la performance, confirmant la nécessité de propager le contexte spatial aux nets.
  • L'utilisation de caractéristiques enrichies est essentielle ; leur remplacement par des caractéristiques minimales fait chuter la corrélation de Spearman de 0,548 à 0,478.
• Généralisation Transverse (Cross-Design) : Lors de l'entraînement sur un design (ex: N28) et du test sur un autre (ex: N14) sans ajustement fin, VeriHGN conserve une corrélation de rang supérieure (43,7% vs 32,8% pour MIHC), suggérant qu'il apprend des représentations plus transférables des besoins de routage.

5. Signification et Impact

Ce travail est significatif car il résout le problème de la déconnexion entre la logique et la physique dans la prédiction de congestion. En traitant le circuit comme un graphe hétérogène unifié plutôt que comme des vues séparées fusionnées tardivement, VeriHGN capture les corrélations subtiles entre la structure du netlist et les contraintes spatiales.

Cela permet :

• Une prédiction plus précoce et précise de la congestion, réduisant le nombre d'itérations de routage coûteuses.
• Une meilleure identification des points chauds critiques, même dans des designs complexes et irréguliers.
• Une robustesse accrue lors du transfert entre différentes technologies ou designs, un défi majeur pour le déploiement industriel des modèles d'IA en EDA.

En conclusion, VeriHGN établit une nouvelle référence pour la vérification de layout assistée par l'apprentissage automatique, en démontrant que l'unification structurelle des données est la clé pour améliorer la fiabilité des prédictions dans les flux de conception VLSI modernes.