Effective Capacitance Modeling Using Graph Neural Networks

Riepilogo Tecnico: Modellazione della Capacità Effettiva mediante Reti Neurali a Grafo

Enunciato del Problema
L'Analisi Temporale Statica (STA) è un componente critico del flusso di progettazione VLSI, ma affronta una dipendenza ciclica in cui l'analisi temporale dipende dal posizionamento e dal routing, mentre l'efficienza di queste fasi dipende dalle previsioni temporali. Un collo di bottiglia fondamentale nella STA è il calcolo della capacità effettiva ($C_{eff}$), necessaria per il calcolo accurato del ritardo delle porte. I metodi tradizionali si basano su euristiche iterative, come la combinazione del modello $\pi$ di O'Brien e dell'algoritmo di Dartu, per approssimare $C_{eff}$. Questi metodi comportano la semplificazione di reti interconnesse RC complesse e la risoluzione iterativa di $C_{eff}$ per corrispondere alle forme d'onda di corrente. Tuttavia, questi approcci presentano limitazioni:

1. Accuratezza: Si basano su assunzioni (ad esempio, resistenza di guida fissa, pendenze di rampa semplici) che possono portare a imprecisioni, in particolare nei processi moderni con significativi effetti di schermatura resistiva.
2. Robustezza: Le euristiche possono non convergere, risultando in valori fisicamente impossibili (ad esempio, $C_{eff} < 0$ o $C_{eff} > C_{total}$), costringendo gli strumenti a ricorrere a modelli pessimistici di capacità concentrata.
3. Velocità: Il calcolo di $C_{eff}$ è computazionalmente costoso, specialmente quando eseguito su più angoli Processo-Tensione-Temperatura (PVT) e scenari statistici richiesti per una validazione robusta.

Metodologia
Gli autori propongono GNN-Ceff, il primo metodo basato su Reti Neurali a Grafo (GNN) per la modellazione della capacità effettiva post-layout. L'approccio tratta la rete interconnessa RC come un grafo e impara a prevedere direttamente $C_{eff}$, bypassando i passaggi iterativi di riduzione.

• Rappresentazione del Grafo: Gli autori mappano la rete RC estratta ($G_{RC}$) su un grafo GNN ($G_{GNN}$). Per affrontare le limitazioni delle GNN standard "centrate sui nodi" nella gestione delle caratteristiche degli archi, rappresentano sia i nodi del circuito (pin/giunzioni) che i fili (archi) come nodi nel grafo. I nodi di giunzione vengono successivamente rimossi per ridurre le dimensioni del grafo mantenendo la connettività.
• Ingegneria delle Caratteristiche: Le caratteristiche dei nodi includono flag di driver/fanout, pendenza di ingresso ($t_\Delta$), resistenza di guida ($R_d$), capacità del pin ($C_p$), resistenza del filo ($R_w$) e capacità del filo ($C_w$). Crucialmente, il modello incorpora la resistenza cumulativa a monte ($R_u$) e la capacità a valle ($C_d$) per fornire un contesto simile ai modelli di ritardo Elmore, insieme al numero di salti dal driver.
• Architettura del Modello: Il modello utilizza Reti di Attenzione su Grafo (GAT) con molteplici teste di attenzione per apprendere le relazioni tra i vicini. A ciò segue un livello di aggregazione attentiva per il pooling a livello di grafo, che esegue implicitamente la Riduzione dell'Ordine del Modello (MOR). Le caratteristiche aggregate vengono inviate a un Perceptron Multistrato (MLP) per prevedere il rapporto $C_{eff}/C_{total}$.
• Strategia di Addestramento: Per superare la distribuzione sbilanciata delle dimensioni delle reti nei progetti reali (dove la maggior parte delle reti è piccola), gli autori hanno generato un dataset di addestramento sintetico utilizzando lo strumento GeoSteiner. Questo dataset presenta gradi di rete e valori di $C_{eff}$ distribuiti uniformemente, garantendo che il modello si generalizzi bene a reti più grandi e complesse. Il modello viene addestrato su questi dati sintetici ma valutato su benchmark reali del flusso OpenROAD utilizzando il nodo tecnologico ASAP7.

Contributi Chiave

1. Prima GNN per $C_{eff}$ Post-Layout: Il documento introduce la prima applicazione di GNN per la previsione della capacità effettiva dopo il completamento della progettazione fisica.
2. MOR Implicita: Il modello integra la Riduzione dell'Ordine del Modello direttamente nel processo di apprendimento tramite pooling su grafo e meccanismi di attenzione, eliminando la necessità di passaggi di riduzione espliciti e discreti.
3. Addestramento su Dati Sintetici: Gli autori dimostrano una metodologia in cui un modello addestrato su dati sintetici distribuiti uniformemente raggiunge un'alta accuratezza su distribuzioni reali sbilanciate.
4. Ottimizzazione degli Ipereparametri: È stata condotta una ricerca sistematica per ottimizzare l'architettura GNN, inclusi il numero di livelli, le teste di attenzione e i tassi di dropout.

Risultati
Il metodo è stato valutato utilizzando un flusso completo di strumenti open-source RTL2GDS (OpenROAD) sul nodo tecnologico ASAP7 attraverso angoli PVT tipici, veloci e lenti.

• Accuratezza:
  • Sul dataset tipico OpenROAD, GNN-Ceff ha raggiunto un Errore Assoluto Medio (MeAE) di 0.01 fF, rispetto a 0.01 fF per l'euristica O'Brien/Dartu.
  • Sul dataset sintetico (contenente reti più grandi e impegnative), GNN-Ceff ha raggiunto un MeAE di 0.24 fF, superando significativamente l'euristica O'Brien/Dartu, che aveva un MeAE di 7.85 fF.
  • Robustezza: A differenza dell'euristica, che non è riuscita a calcolare $C_{eff}$ valida in fino al 6.19% dei casi sintetici (e fino allo 0.07% nei casi OpenROAD), GNN-Ceff non ha mai fallito nel produrre un risultato. La funzione di attivazione sigmoide nell'ultimo livello garantisce che le previsioni rimangano entro limiti fisicamente possibili (rapporto da 0 a 1).
• Velocità:
  • Sfruttando la parallelizzazione GPU, GNN-Ceff ha dimostrato significativi aumenti di velocità rispetto all'euristica dello stato dell'arte eseguita in serie.
  • Sul dataset OpenROAD, GNN-Ceff ha raggiunto un accelerazione di 929x rispetto al metodo seriale O'Brien/Dartu.
  • Anche quando l'euristica O'Brien/Dartu è stata eseguita in parallelo su 64 core CPU, GNN-Ceff (eseguito su una singola GPU) ha mantenuto un accelerazione di 15x sul dataset OpenROAD e un accelerazione di 3x sul dataset sintetico.

Significato
Il documento afferma che GNN-Ceff rappresenta un avanzamento significativo nell'analisi temporale VLSI fornendo un metodo che è sia più accurato che ordini di grandezza più veloce rispetto alle attuali euristiche. Raggiungendo un'alta accuratezza senza il rischio di fallimenti di convergenza e sfruttando la parallelizzazione GPU, il metodo consente una verifica temporale più rapida su più angoli. Questa capacità è presentata come un mezzo per migliorare l'efficienza delle fasi di progettazione precedenti (posizionamento e routing) fornendo feedback temporale rapido e affidabile, contribuendo infine a migliori risultati in termini di Potenza, Prestazioni e Area (PPA) nei flussi di progettazione VLSI.