PPAPlace: Differentiable Cross-Stage Objectives for Chip Placement Optimization
PPAPlace एक डिफरेंशिएबल, टाइमिंग-ड्रिवन सरोगेट मॉडल पेश करता है जो पोस्ट-ग्लोबल-राउटिंग लेबल्स पर प्रशिक्षित है और जो पोस्ट-रूट पावर, परफॉरमेंस और एरिया (PPA) मेट्रिक्स की भविष्यवाणी करने और उन्हें अनुकूलित करने के लिए ड्यूल-स्ट्रीम ग्राफ और स्पेशियल अटेंशन का लाभ उठाता है, जो बिना टेस्ट-सर्किट रिट्रेनिंग के पदानुक्रमित बेसलाइन्स की तुलना में वर्स्ट नेगेटिव स्लैक और टोटल नेगेटिव स्लैक में महत्वपूर्ण सुधार करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक वास्तुकार (architect) हैं जो सबसे कुशल शहर बनाने की कोशिश कर रहे हैं, लेकिन गगनचुंबी इमारतों और पार्कों के बजाय, आप एक सूक्ष्म सिलिकॉन चिप पर छोटे इलेक्ट्रॉनिक घटकों को व्यवस्थित कर रहे हैं। यह चिप प्लेसमेंट की दुनिया है, जो हमारे द्वारा उपयोग किए जाने वाले कंप्यूटरों और फोन को बनाने का एक महत्वपूर्ण चरण है। लक्ष्य इन घटकों को इस तरह व्यवस्थित करना है ताकि बिजली उनके बीच जितनी तेज़ी से संभव हो सके, उतनी तेज़ी से और न्यूनतम ऊर्जा और स्थान का उपयोग करके यात्रा कर सके। यदि व्यवस्था अव्यवस्थित है, तो संकेत ट्रैफिक में फंस जाते हैं, चिप गर्म हो जाती है, और बैटरी जल्दी खत्म हो जाती है। दशकों से, इंजीनियर इन चिप्स को व्यवस्थित करने के लिए एक सरल नियम का उपयोग करते आए हैं: वे भागों को जोड़ने वाले तारों की कुल लंबाई को कम करने का प्रयास करते हैं। यह एक शहर को केवल यह सुनिश्चित करके बिछाने जैसा है कि सड़कें यथासंभव छोटी हों। लेकिन यहाँ एक मोड़ है: केवल इसलिए नहीं कि सड़कें छोटी हैं, इसका मतलब यह नहीं है कि ट्रैफिक सुचारू रूप से चलेगा। कभी-कभी, एक छोटी सड़क डेड एंड (बंद गली) या बॉटलनेक (रुकावट) की ओर ले जाती है, जिससे पूरा शहर जाम में फंस जाता है। यह शोध पत्र खोजता है कि वह पुराना नियम अक्सर क्यों विफल हो जाता है और इन सूक्ष्म शहरों को डिजाइन करने का एक नया, स्मार्ट तरीका पेश करता है।
शोधकर्ताओं, रूओगु चेन और जी हान ने पाया कि केवल तार की लंबाई गिनने का पुराना तरीका वास्तव में इस बात का बहुत खराब संकेतक है कि वास्तविक दुनिया में एक चिप कितनी अच्छी तरह प्रदर्शन करेगी। उन्होंने पाया कि तारों को छोटा करने के लिए अनुकूलन (optimizing) करने से अक्सर वे चिप्स बनते हैं जो उद्योग के मानक बेसलाइन, Hier-RTLMP, और अन्य पूर्व एआई (AI) विधियों की तुलना में धीमी और कम कुशल होती हैं। इसे ठीक करने के लिए, उन्होंने चिप डिजाइनरों के लिए एक "क्रिस्टल बॉल" (भवि भविष्य बताने वाला यंत्र) बनाया। यह क्रिस्टल बॉल एक विशेष कंप्यूटर प्रोग्राम है जो एक चिप लेआउट को देख सकता है और सटीक रूप से भविष्यवाणी कर सकता है कि यह कितनी तेज़ चलेगी और कितनी बिजली का उपयोग करेगी, यहाँ तक कि चिप के पूरी तरह से बनने से पहले ही। पिछले प्रयासों के विपरीत, जो केवल बड़ी, महत्वपूर्ण इमारतों (जिन्हें मैक्रोज़ कहा जाता है) को देखते थे और शुरुआती, कच्चे ड्राफ्ट के आधार पर अनुमान लगाते थे, यह नया टूल पूरे शहर को देखता है, जिसमें छोटे घर (स्टैंडर्ड सेल्स) और सड़कों पर ट्रैफिक पैटर्न भी शामिल हैं।
उनके नए टूल का गुप्त मंत्र (secret sauce), जिसे PPAPlace कहा जाता है, यह है कि यह चिप डिजाइनों के "फाइनल एग्जाम" के परिणामों से सीखता है। शुरुआती रेखाचित्रों के आधार पर अनुमान लगाने के बजाय, यह ट्रैफिक और बिजली के उपयोग के पूर्ण सिमुलेशन के बाद के परिणामों का अध्ययन करता है। यह इसे उन वास्तविक बॉटलनेक्स (रुकावटों) को समझने की अनुमति देता है जो धीमेपन का कारण बनते हैं। एक बार जब टूल प्रशिक्षित हो जाता है, तो यह केवल एक स्कोर नहीं देता; यह एक मानचित्र देता है। यह डिजाइनर को बताता है कि चिप को तेज़ चलाने के लिए किस छोटे घटक को, किस दिशा में, और कहाँ ले जाना है। इसे ऐसे समझें जैसे एक जीपीएस (GPS) जो न केवल सबसे छोटा रास्ता बताता है, बल्कि वास्तविक समय में ट्रैफिक जाम से बचने के लिए आपकी कार को सक्रिय रूप से निर्देशित भी करता है।
टीम ने इस नए दृष्टिकोण का परीक्षण पांच अलग-अलग चिप डिजाइनों पर किया जिन्हें टूल ने पहले कभी नहीं देखा था। परिणाम प्रभावशाली थे। उद्योग में उपयोग किए जाने वाले मानक, उच्च-तकनीकी बेसलाइन विधि (Hier-RTLMP) की तुलना में, उनके नए टूल ने चिप की गति (जिसे "वर्स्ट नेगेटिव स्लैक" के रूप में मापा गया है) में 22% सुधार किया और इसकी समग्र टाइमिंग दक्षता (जिसे "टोटल नेगेटिव स्लैक" के रूप में मापा गया है) में 51% का सुधार किया। महत्वपूर्ण रूप से, इसने यह बिना चिप की बिजली खपत बढ़ाए या इसे बनाना कठिन बनाए किया। उन्होंने दिखाया कि इस स्मार्ट, लर्निंग-आधारित गाइड का उपयोग करके, वे लगातार पदानुक्रमित (hierarchical) बेसलाइन और अन्य मूल्यांकित पूर्व विधियों को पछाड़ सकते थे, यहाँ तक कि औसत रूप से Re2MaP के मजबूत एल्गोरिदम दृष्टिकोण से भी बेहतर प्रदर्शन किया, जिससे यह सिद्ध हुआ कि पूरी तस्वीर को देखना और अंतिम परिणाम से सीखना ही तेज़, अधिक कुशल चिप बनाने की कुंजी है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।