Hybrid ML for Lightweight Pre-Route Delay Estimation in Open-Source IC Design

Dans le monde de l'électronique moderne, les puces minuscules qui alimentent nos appareils sont conçues selon un processus itératif complexe. Les ingénieurs partent d'un schéma logique et le transforment progressivement en un tracé physique, un voyage qui implique le placement de milliards de composants microscopiques et leur connexion par des fils microscopiques. Un point de contrôle critique dans ce voyage est une vérification de sécurité appelée analyse du temps de propagation statique (static timing analysis). Ce processus garantit que les signaux électriques voyagent assez rapidement entre les composants pour maintenir le bon fonctionnement du dispositif. Cependant, un défi important surgit tôt dans la phase de conception, avant que les fils ne soient entièrement tracés. À ce stade, les ingénieurs ont une idée approximative de l'emplacement des composants, mais ils manquent de détails précis sur les fils qui les connecteront. Sans ces détails, les outils traditionnels doivent souvent deviner le temps de trajet des signaux. Pour être prudent, ces outils ont tendance à deviner de manière conservatrice, supposant que les signaux seront plus lents qu'ils ne le seront probablement. Cette prudence, bien qu'elle prévienne les erreurs, conduit souvent à une sur-conception, où les circuits sont rendus plus grands et consomment plus d'énergie que nécessaire simplement pour compenser l'incertitude.

Des chercheurs de l'Universidad de Costa Rica ont développé une nouvelle méthode pour résoudre ce jeu de devinettes, offrant un moyen de prédire les temps de trajet des signaux avec une précision bien plus grande avant que le câblage final ne soit achevé. Au lieu de s'appuyer sur les estimations conservatrices des logiciels standards ou sur des modèles informatiques massifs et complexes difficiles à comprendre, ils ont créé un système hybride léger. Ce système combine deux techniques mathématiques simples et bien comprises : un arbre de décision, qui trie les données en groupes selon des règles spécifiques, et une régression linéaire, qui trouve des motifs de lignes droites au sein de ces groupes. En utilisant l'arbre de décision pour organiser les données réelles désordonnées en segments plus petits et plus maniables, puis en appliquant une formule simple d'ajustement de ligne à chaque segment, les chercheurs ont construit un modèle qui apprend des conceptions passées pour prédire les futures. Leur approche est non seulement hautement précise, mais aussi transparente, permettant aux ingénieurs de voir exactement pourquoi une prédiction a été faite, une caractéristique souvent absente des systèmes d'intelligence artificielle plus complexes.

L'équipe a testé sa nouvelle méthode en utilisant l'outil de conception open-source OpenLane, largement utilisé par les chercheurs et les passionnés pour créer des circuits intégrés. Ils ont alimenté le modèle avec des données provenant de diverses conceptions de circuits, y compris des tests standards et des exemples du monde réel, lui apprenant à reconnaître comment des facteurs tels que la distance entre les composants, la taille des portes et le nombre de connexions influencent la vitesse du signal. Les résultats ont été frappants. Comparé aux estimations standards fournies par l'outil OpenLane, le nouveau modèle hybride a réduit l'erreur de prédiction de délai jusqu'à 80 %. Même lorsque le modèle était dépouillé des détails spécifiques de l'outil OpenLane, il améliorait encore l'exactitude de 71 %. En termes pratiques, cela signifie que les concepteurs peuvent désormais accorder beaucoup plus de confiance à leurs estimations de phase initiale, évitant potentiellement le besoin de plusieurs cycles de retravail coûteux plus tard dans le processus de conception.

Au-delà de la précision brute, les chercheurs ont souligné l'efficacité et la clarté de leur solution. Le modèle qu'ils ont construit est incroyablement petit, occupant un peu plus de 10 mégaoctets de stockage, alors que d'autres modèles d'apprentissage automatique similaires utilisés dans ce domaine peuvent nécessiter plusieurs gigaoctets. Il est également nettement plus rapide, fonctionnant plus de deux fois plus vite que les modèles comparables, et il est plus de 300 fois plus petit en taille. Peut-être plus important encore pour la communauté de l'ingénierie, le modèle est explicable. Parce qu'il repose sur un arbre de décision suivi d'équations linéaires simples, un ingénieur peut tracer le chemin d'une prédiction : il peut voir quelles règles les données ont suivies et comment le calcul final a été dérivé. Cela contraste avec de nombreux outils d'apprentissage automatique modernes qui agissent comme des « boîtes noires », offrant des réponses sans révéler le raisonnement sous-jacent.

L'étude confirme que cette approche hybride offre une alternative viable aux modèles lourds et opaques souvent utilisés dans la conception de puces. En décomposant le problème en parties plus petites et linéairement prévisibles, le système capture les comportements complexes et non linéaires des circuits réels sans avoir besoin d'un réseau neuronal massif. Les chercheurs ont noté que le modèle fonctionnait exceptionnellement bien sur certains circuits, réduisant les erreurs de prédiction de près de 80 % pour des conceptions spécifiques, ce qui suggère que la méthode est particulièrement efficace lorsque les nouvelles conceptions partagent des similitudes avec les données utilisées pour l'entraînement. Bien que le travail actuel se soit concentré sur un ensemble spécifique d'outils open-source et de nœuds technologiques, le succès de cette méthode légère et transparente suggère une voie prometteuse pour l'avenir. Elle démontre que dans le monde à enjeux élevés de la conception de puces, les outils les plus efficaces ne sont pas toujours les plus complexes, mais plutôt ceux qui sont précis, rapides et faciles à comprendre.