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

आधुनिक इलेक्ट्रॉनिक्स की दुनिया में, हमारे उपकरणों को शक्ति देने वाली नन्ही चिप्स एक जटिल, पुनरावृत्ति वाली प्रक्रिया के माध्यम से डिज़ाइन की जाती हैं। इंजीनियर एक तार्किक ब्लूप्रिंट (logical blueprint) से शुरुआत करते हैं और धीरे-धीरे इसे एक भौतिक लेआउट में बदलते हैं, यह एक ऐसी यात्रा है जिसमें अरबों सूक्ष्म घटकों को रखना और उन्हें सूक्ष्म तारों के साथ जोड़ना शामिल है। इस यात्रा में एक महत्वपूर्ण चेकपॉइंट एक सुरक्षा जांच है जिसे 'स्टैटिक टाइमिंग एनालिसिस' (static timing analysis) कहा जाता है। यह प्रक्रिया सुनिश्चित करती है कि विद्युत संकेत घटकों के बीच पर्याप्त तेज़ी से यात्रा करें ताकि उपकरण सही ढंग से कार्य करता रहे। हालाँकि, डिज़ाइन चरण के शुरुआती दौर में, तारों को पूरी तरह से खींचने से पहले ही एक बड़ी चुनौती सामने आती है। इस चरण में, इंजीनियरों के पास इस बात का एक मोटा विचार होता है कि घटक कहाँ स्थित होंगे, लेकिन उनके पास उन्हें जोड़ने वाले तारों के सटीक विवरण की कमी होती है। इन विवरणों के बिना, पारंपरिक उपकरणों को अक्सर संकेतों के यात्रा समय का अनुमान लगाने के लिए अनुमान लगाना पड़ता है। सुरक्षित रहने के लिए, ये उपकरण रूढ़िवादी (conservative) अनुमान लगाने की प्रवृत्ति रखते हैं, यह मानकर कि संकेत संभव होने की तुलना में धीमे होंगे। यह सावधानी, हालांकि त्रुटियों को रोकती है, अक्सर ओवर-डिज़ाइन (over-design) की ओर ले जाती है, जहाँ सर्किट अनिश्चितता की भरपाई करने के लिए आवश्यकता से अधिक बड़े और अधिक बिजली खपत करने वाले बनाए जाते हैं।

कोस्टा रिका के यूनिवर्सिडाड डी कोस्टा रिका (Universidad de Costa Rica) के शोधकर्ताओं ने इस अनुमान लगाने के खेल को हल करने के लिए एक नई विधि विकसित की है, जो तारों के अंतिम रूप लेने से पहले सिग्नल यात्रा के समय की बहुत अधिक सटीकता के साथ भविष्यवाणी करने का एक तरीका प्रदान करती है। मानक सॉफ़्टवेयर के रूढ़िवादी अनुमानों या विशाल, जटिल कंप्यूटर मॉडलों पर निर्भर रहने के बजाय, जो समझने में कठिन होते हैं, उन्होंने एक हल्का, हाइब्रिड सिस्टम बनाया है। यह प्रणाली दो सरल, अच्छी तरह से समझ में आने वाली गणितीय तकनीकों को जोड़ती है: एक 'डिसीजन ट्री' (decision tree), जो विशिष्ट नियमों के आधार पर डेटा को समूहों में वर्गीकृत करता है, और 'लीनियर रिग्रेशन' (linear regression), जो उन समूहों के भीतर सीधी रेखा वाले पैटर्न खोजता है। डिसीजन ट्री का उपयोग करके अव्यवस्थित, वास्तविक दुनिया के डेटा को छोटे, अधिक प्रबंधनीय हिस्सों में व्यवस्थित करने और फिर प्रत्येक हिस्से पर एक सरल लाइन-फिटिंग फॉर्मूला लागू करके, शोधकर्ताओं ने एक ऐसा मॉडल बनाया है जो भविष्य के डिजाइनों की भविष्यवाणी करने के लिए पिछले डिजाइनों से सीखता है। उनका दृष्टिकोण न केवल अत्यधिक सटीक है बल्कि पारदर्शी भी है, जिससे इंजीनियर यह देख सकते हैं कि एक भविष्यवाणी क्यों की गई थी, जो एक ऐसी विशेषता है जो अक्सर अधिक जटिल आर्टिफिशियल इंटेलिजेंस प्रणालियों में गायब रहती है।

टीम ने अपने नए तरीके का परीक्षण ओपन-सोर्स डिज़ाइन टूल 'ओपनलेन' (OpenLane) का उपयोग करके किया, जिसका उपयोग शोधकर्ताओं और शौकीनों द्वारा इंटीग्रेटेड सर्किट बनाने के लिए व्यापक रूप से किया जाता है। उन्होंने मॉडल को विभिन्न सर्किट डिजाइनों का डेटा दिया, जिसमें मानक बेंचमार्क और वास्तविक दुनिया के उदाहरण शामिल थे, ताकि यह पहचान सके कि घटकों के बीच की दूरी, गेट का आकार और कनेक्शनों की संख्या जैसे कारक सिग्नल की गति को कैसे प्रभावित करते हैं। परिणाम चौंकाने वाले थे। जब इसकी तुलना ओपनलेन टूल द्वारा प्रदान किए गए मानक अनुमानों से की गई, तो नए हाइब्रिड मॉडल ने विलंब (delay) की भविष्यवाणियों में त्रुटि को 80 प्रतिशत तक कम कर दिया। यहाँ तक कि जब मॉडल को ओपनलेन टूल के विशिष्ट विवरणों से मुक्त कर दिया गया, तब भी इसने सटीकता में 71 प्रतिशत का सुधार किया। व्यावहारिक शब्दों में, इसका अर्थ यह है कि अब डिज़ाइनर शुरुआती चरण के अनुमानों पर बहुत अधिक भरोसा कर सकते हैं, जिससे संभावित रूप से डिज़ाइन प्रक्रिया के बाद महंगे पुनरावृत्ति कार्यों के कई दौरों से बचा जा सकता है।

कच्ची सटीकता के अलावा, शोधकर्ताओं ने अपने समाधान की दक्षता और स्पष्टता पर भी प्रकाश डाला। उनके द्वारा बनाया गया मॉडल अविश्वसनीय रूप से छोटा है, जो 10 मेगाबाइट से थोड़ा अधिक स्टोरेज घेरता है, जबकि इस क्षेत्र में उपयोग किए जाने वाले अन्य समान मशीन लर्निंग मॉडल को कई गीगाबाइट की आवश्यकता हो सकती है। यह काफी तेज़ भी है, जो तुलनीय मॉडलों की तुलना में दोगुने से अधिक तेज़ी से चलता है, और आकार में 300 गुना से अधिक छोटा है। सबसे महत्वपूर्ण बात यह है कि इंजीनियरिंग समुदाय के लिए, यह मॉडल व्याख्या योग्य (explainable) है। क्योंकि यह एक डिसीजन ट्री और उसके बाद सरल रैखिक समीकरणों पर निर्भर करता है, एक इंजीनियर भविष्यवाणी के पथ का पता लगा सकता है: वे देख सकते हैं कि डेटा ने किन नियमों का पालन किया और अंतिम गणना कैसे निकाली गई। यह कई आधुनिक मशीन लर्निंग उपकरणों के विपरीत है जो "ब्लैक बॉक्स" के रूप में कार्य करते हैं, जो तर्क प्रकट किए बिना उत्तर देते हैं।

यह अध्ययन पुष्टि करता है कि यह हाइब्रिड दृष्टिकोण चिप डिज़ाइन में उपयोग किए जाने वाले भारी, अपारदर्शी मॉडलों के लिए एक व्यवहार्य विकल्प है। समस्या को छोटे, रैखिक रूप से अनुमानित भागों में तोड़कर, यह प्रणाली विशाल न्यूरल नेटवर्क की आवश्यकता के बिना वास्तविक सर्किटों के जटिल, गैर-रैखिक व्यवहारों को पकड़ लेती है। शोधकर्ताओं ने उल्लेख किया कि मॉडल ने कुछ विशेष सर्किटों पर असाधारण प्रदर्शन किया, जिससे विशिष्ट डिजाइनों के लिए भविष्यवाणी त्रुटियों में 80 प्रतिशत तक की कमी आई, जो यह सुझाव देता है कि यह विधि विशेष रूप से प्रभावी है जब नए डिजाइन प्रशिक्षण के लिए उपयोग किए गए डेटा के साथ समानता साझा करते हैं। जबकि वर्तमान कार्य एक विशिष्ट सेट ओपन-सोर्स टूल और टेक्नोलॉजी नोड्स पर केंद्रित था, इस हल्के, पारदर्शी तरीके की सफलता एक आशाजनक मार्ग का संकेत देती है। यह प्रदर्शित करता है कि चिप डिज़ाइन की उच्च-दांव वाली दुनिया में, कभी-कभी सबसे प्रभावी उपकरण सबसे जटिल वाले नहीं होते, बल्कि वे होते हैं जो सटीक, तेज़ और समझने में आसान होते हैं।