🤖 machine learning

FusionCell: Cross-Attentive Fusion of Layout Geometry and Netlist Topology for Standard-Cell Performance Prediction

FusionCell est un nouveau cadre d'apprentissage profond bimodal qui intègre la géométrie de routage et la topologie de la liste de connexions via un mécanisme d'attention croisée guidée par la topologie pour réaliser une prédiction hautement précise et rapide des métriques de performance des cellules standards, surpassant significativement les références existantes et les méthodes de simulation traditionnelles.

Auteurs originaux : Haoyi Zhang, Kairong Guo, Bojie Zhang, Yibo Lin, Runsheng Wang

Publié 2026-05-21

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Haoyi Zhang, Kairong Guo, Bojie Zhang, Yibo Lin, Runsheng Wang

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de prédire la vitesse de fonctionnement d'un type spécifique de moteur de voiture. Pour ce faire avec précision, vous avez besoin de deux éléments :

Le Plan (Netlist) : Il indique comment les pièces sont connectées — où passe la conduite d'alimentation, quel piston est relié à quelle soupape, et la logique électrique du moteur.
Le Moteur Physique (Layout) : Il s'agit du métal et du plastique réels. Il indique la longueur des tuyaux, l'épaisseur des fils et la proximité des pièces les unes par rapport aux autres.

Dans le monde des puces informatiques, ces « moteurs » sont appelés Cellules Standards. Ce sont les minuscules blocs de construction qui composent tout, de votre téléphone à votre ordinateur portable.

Le Problème : La Méthode Lente vs La Méthode Erronée

Traditionnellement, les ingénieurs déterminent la vitesse de ces cellules en exécutant des simulations informatiques massives et lentes. C'est comme construire un modèle physique à l'échelle réelle du moteur et le tester dans une soufflerie. C'est précis, mais cela prend des jours pour tester seulement quelques variations.

Certaines méthodes plus rapides ont tenté d'utiliser l'Intelligence Artificielle (IA) pour deviner la vitesse.

L'Erreur « Vision-Seule » : Certaines IA se contentaient d'examiner une image du moteur (le layout) sans lire le plan. C'était comme essayer de deviner la vitesse d'une voiture en regardant simplement une photo de sa peinture, en ignorant la taille du moteur. Elles manquaient les connexions critiques.
L'Erreur « Plan-Seul » : D'autres IA ne lisaient que le plan (la netlist) et ignoraient la forme physique. C'était comme lire une recette mais ignorer si vous utilisez une toute petite casserole ou une grande marmite. Elles manquaient l'impact de la taille physique sur la vitesse.

Les deux approches étaient rapides mais imprécises car elles ignoraient la moitié de l'histoire.

La Solution : FusionCell

L'article présente une nouvelle IA appelée FusionCell. Imaginez FusionCell comme un mécanicien expert qui refuse de ne regarder qu'une seule chose. Il force l'IA à examiner le Plan et le Moteur Physique exactement en même temps, mais d'une manière très spécifique.

Voici comment cela fonctionne, en utilisant une analogie simple :

L'Analogie « Carte et Satellite »
Imaginez que vous avez une Image Satellite d'une ville (le Layout) et une Carte Routière (la Netlist).

Si vous regardez seulement l'image satellite, vous voyez les routes et les bâtiments, mais vous ne savez pas quelle route mène à l'hôpital.
Si vous regardez seulement la carte, vous savez que l'hôpital est connecté à la Rue Principale, mais vous ne savez pas si la Rue Principale est une ruelle étroite ou une large autoroute.

Le Secret de FusionCell :
Au lieu de simplement coller la carte et la photo ensemble, FusionCell utilise la Carte comme une « Requête de Recherche ».

Il prend la « Carte » (la Netlist) et demande : « Où se trouve la connexion pour le Signal de Sortie ? »
Il utilise ensuite cette question pour scanner activement l'Image Satellite (le Layout) afin de trouver les fils métalliques et les chemins exacts correspondant à ce signal.
Il combine le « où » (de la carte) avec le « quoi » (la forme physique des fils) pour calculer la vitesse.

Ceci est appelé Fusion Guidée par la Topologie. Les connexions électriques (la carte) guident l'IA à examiner les pièces physiques spécifiques (l'image) qui comptent, en ignorant le reste du bruit de fond.

Les Résultats

Les chercheurs ont testé cela sur un ensemble de données massif de plus de 19 500 conceptions de puces différentes (basées sur un procédé de 7 nm, ce qui est très avancé).

Vitesse : Alors que les méthodes traditionnelles prenaient des jours pour simuler ces puces, FusionCell l'a fait en millisecondes. Cela représente une accélération de 10 000 fois.
Précision : Elle était incroyablement précise, avec un taux d'erreur moyen inférieur à 1 %.
Classement : Elle ne se contentait pas de deviner les chiffres ; elle déterminait correctement quelles conceptions de puces étaient plus rapides que d'autres, ce qui est crucial pour les ingénieurs choisissant les meilleurs composants pour une nouvelle puce.

Pourquoi Cela Compte

L'article affirme qu'en fusionnant le « squelette » (les connexions) avec la « chair » (le layout physique) en utilisant cette méthode de recherche intelligente, FusionCell permet aux ingénieurs d'explorer des millions de possibilités de conception dans le temps qu'il fallait auparavant pour tester seulement quelques-unes. Elle ne rend pas seulement les prédictions plus rapides ; elle rend les prédictions fiables au point de remplacer les simulations lentes et traditionnelles pour de nombreuses tâches.

En bref : FusionCell est un mécanicien IA super rapide et super précis qui lit le plan et examine le moteur simultanément pour vous dire exactement comment la voiture se comportera, sans avoir besoin de construire un vrai prototype au préalable.

Résumé Technique : FusionCell

Énoncé du Problème

Les cellules standards constituent les blocs de construction fondamentaux des circuits VLSI numériques, où leurs caractéristiques de délai et de puissance déterminent de manière critique les performances globales de la puce. La caractérisation traditionnelle repose sur un pipeline lent et multiphase impliquant l'extraction de Résistance/Capacité (R/C) à partir de la géométrie de la mise en page, suivie d'une simulation de circuit exhaustive. Ce processus peut prendre plusieurs jours pour une bibliothèque complète, créant un goulot d'étranglement pour les pipelines d'Optimisation Conjointe de la Technologie et de la Conception (DTCO) qui nécessitent une itération rapide sur de vastes espaces de conception.

Bien que des approches d'Apprentissage Automatique (ML) aient été proposées pour accélérer ce processus, les méthodes existantes souffrent de limitations significatives :

Modèles basés uniquement sur la netlist : Les Réseaux de Neurones à Graphes (GNN) et les Transformers de Graphes capturent la connectivité topologique mais ignorent la géométrie de la mise en page, ne parvenant pas à prendre en compte les effets R/C dépendants de la mise en page.
Modèles basés uniquement sur la mise en page : Les régresseurs basés sur la vision capturent les détails spatiaux mais manquent de contexte de netlist, étant incapables de distinguer les signaux électriquement actifs des remplissages fictifs (dummy fills) ou de respecter les contraintes de connectivité.
Fusion naïve : Les tentatives précédentes de combiner ces modalités reposent souvent sur une fusion tardive ou une concaténation symétrique, ce qui échoue à établir une correspondance fine entre des nœuds électriques spécifiques et leurs réalisations géométriques physiques.

Le défi central consiste à représenter conjointement la géométrie de la mise en page et la topologie de la netlist de manière à ce que les modèles puissent capturer des détails spatiaux fins (parasitiques) ainsi que la connectivité structurelle pour une prédiction précise des performances.

Méthodologie : FusionCell

FusionCell est un prédicteur multimodal conçu pour traiter la géométrie de la mise en page routée et la topologie de la netlist comme des entrées obligatoires et explicitement fusionnées. L'architecture est fondée sur l'intuition physique selon laquelle la netlist définit le « squelette » (enveloppe de performance) tandis que la mise en page fournit la « chair » (variations R/C), nécessitant un mécanisme guidé par la topologie pour interpréter la géométrie.

1. Représentation de la Mise en Page (Encodeur DeiT)

La mise en page routée est traitée comme un tenseur d'images multicouches.

Entrée : Un tenseur à trois canaux représentant les couches de routage principales (M0, M1, M2). Les pixels sont remplis d'identifiants de réseau (Net IDs) normalisés plutôt que d'occupation binaire pour préserver la connectivité sémantique entre les couches.
Prétraitement : La connectivité verticale (vias) est préservée via une projection inter-couches sur les plans métalliques 2D adjacents. Les mises en page sont alignées selon leur plus grande dimension pour minimiser les artefacts de remplissage (padding).
Encodage : Un backbone Transformer d'Image Efficace en Données (DeiT) traite le tenseur, le divise en patches et génère une séquence de tokens d'espace de mise en page ( $Z_L$ ). Ce mécanisme d'attention globale est choisi pour sa capacité à modéliser des effets distribués à longue portée, tels que la chute de tension IR et la capacité de couplage cumulative.

2. Représentation de la Netlist (Graph Transformer)

La netlist est modélisée comme un graphe hétérogène pour capturer à la fois la connectivité locale et les corrélations globales.

Construction du Graphe : Le graphe contient deux types de nœuds : Nœuds de Composants (transistors avec des attributs comme la force de pilotage) et Nœuds de Réseau (connexions électriques).
Arêtes : Deux types d'arêtes sont définis :
- Arêtes de Connectivité : Câblage physique entre les composants et les réseaux.
- Arêtes de Corrélation : Liens entre des réseaux structurellement apparentés pour capturer le flux de signal et les interférences potentielles.
Encodage : Un encodeur Graph Transformer traite ce graphe hétérogène. Il emploie un biais structurel dans le mécanisme d'attention pour n'autoriser le passage de messages qu'entre les nœuds connectés, garantissant que le modèle respecte la topologie sous-jacente du circuit tout en capturant les dépendances globales. Cela produit des tokens de graphe ( $Z_G$ ).

3. Fusion Multimodale Guidée par la Topologie

L'innovation centrale est un mécanisme d'attention croisée asymétrique où la netlist agit comme une « carte » structurelle pour interroger la mise en page.

Mécanisme : Les tokens de graphe ( $Z_G$ ) servent de Requêtes, tandis que les tokens de mise en page ( $Z_L$ ) servent de Clés et de Valeurs.
Fonction : Pour chaque nœud électrique (par exemple, un réseau de sortie), le mécanisme d'attention scanne activement la mise en page pour récupérer les détails géométriques pertinents (pistes métalliques, vias).
Biais Inductif : Cette conception impose que les caractéristiques de la mise en page ne soient prises en compte que dans la mesure où elles affectent des composants électriques spécifiques, empêchant le modèle de surajuster aux textures de fond ou aux zones de silicium non pertinentes.
Sortie : Les tokens fusionnés sont agrégés via un regroupement (pooling) conscient du masque et transmis à une tête de régression Multicouche Perceptron (MLP) pour prédire six métriques : Délai Montant/Descendant, Transition Montante/Descendante, et Puissance Montante/Descendante.

Contributions Clés

Cadre FusionCell : Un prédicteur multimodal qui intègre la géométrie de la mise en page routée et la topologie de la netlist via un mécanisme d'attention croisée guidé par la topologie, atteignant une prédiction de performance précise et stable en termes de classement.
Encodage Préservant la Géométrie : Une stratégie de représentation pour les mises en page routées utilisant DeiT qui conserve les informations critiques R/C relatives aux métaux et aux vias sur plusieurs couches de routage, permettant un raisonnement spatial fin.
Modélisation de Netlist Consciente de la Topologie : Une représentation de graphe hétérogène utilisant des Graph Transformers qui capture explicitement à la fois la connectivité composant-réseau et les corrélations réseau-réseau, fournissant une représentation structurelle électriquement significative.
Jeu de Données 7nm : La génération d'un jeu de données à grande échelle basé sur le PDK ASAP7 contenant plus de 19 500 cellules réparties en 149 types, générées via des outils automatisés, ciblant six métriques clés de délai et de puissance.

Résultats Expérimentaux

Des expériences ont été menées sur le benchmark 7nm ASAP7, comparant FusionCell à des baselines vision-seules, à fusion tardive, à fusion symétrique, et à l'état de l'art (ProtoCellLayout).

Précision de Régression : FusionCell a atteint une Erreur Absolue Moyenne en Pourcentage (MAPE) moyenne de 0,92 % et un $R^2$ de 0,977. Cela surpasse significativement la meilleure baseline (Fusion Symétrique, 2,19 % MAPE) et l'état de l'art ProtoCellLayout (4,16 % MAPE).
Cohérence du Classement : Pour le classement des variantes de cellules (critique pour la synthèse), FusionCell a atteint un $\rho$ de Spearman de 0,86 et un $\tau$ de Kendall de 0,76, démontrant une capacité supérieure à distinguer les différences structurelles fines par rapport aux baselines qui échouaient souvent à classer correctement les variantes.
Efficacité : FusionCell a terminé l'inférence pour l'ensemble du jeu de données de 19,5k cellules en environ 67 secondes sur un seul GPU. Cela représente une accélération de $10^4\times$ par rapport à la simulation traditionnelle, qui nécessitait plus de 5 jours pour générer les mêmes étiquettes de référence.
Études d'Ablation : La suppression de la fusion guidée par la topologie (remplacement par une fusion symétrique) ou la suppression des arêtes de corrélation du graphe a entraîné une dégradation significative des performances, validant la nécessité du mécanisme de requête dirigée et de l'inclusion des corrélations réseau-réseau.

Signification et Impact

L'article affirme que FusionCell établit un paradigme généralisable pour l'Automatisation de la Conception Électronique (EDA) multimodale en alignant l'architecture du modèle avec la hiérarchie physique des données de conception. En traitant la netlist comme un mécanisme de requête actif pour la géométrie de la mise en page, le modèle imite le processus d'extraction physique R/C, garantissant que les prédictions sont ancrées dans la connectivité électrique plutôt que dans la texture visuelle.

La signification principale réside dans la possibilité d'explorer rapidement l'espace de conception. En remplaçant des jours de calcul intensif par une inférence de l'ordre de la milliseconde, FusionCell permet aux concepteurs de filtrer les candidats et d'identifier les cellules optimales de Pareto avant d'exécuter des simulations de validation coûteuses. Cette accélération est cruciale pour les pipelines DTCO et contribue à réduire la consommation d'énergie et l'empreinte carbone du processus de conception de puces. Ce travail se positionne comme une étape vers la démocratisation des outils EDA avancés en rendant la prédiction de performance haute fidélité accessible et rapide.