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

In de wereld van moderne elektronica worden de minuscule chips die onze apparaten aandrijven, ontworpen via een complex, iteratief proces. Ingenieurs beginnen met een logisch blauwdruk en transformeren dit geleidelijk naar een fysieke lay-out, een reis die het plaatsen van miljarden microscopische componenten en het verbinden ervan met microscopische draden omvat. Een kritiek controlepunt in deze reis is een veiligheidscontrole genaamd static timing analysis (statische tijdanalyse). Dit proces zorgt ervoor dat elektrische signalen snel genoeg tussen componenten reizen om het apparaat correct te laten functioneren. Echter, een aanzienlijke uitdaging doet zich aan in een vroege fase van het ontwerp, voordat de draden volledig zijn getekend. Op dit stadium hebben ingenieurs een ruwe idee van waar componenten zullen zitten, maar missen ze de precieze details over de draden die hen zullen verbinden. Zonder deze details moeten traditionele tools vaak de reistijd van signalen gokken. Om veilig te zijn, neigen deze tools naar conservatieve gokken, waarbij ze ervan uitgaan dat de signalen langzamer zullen zijn dan ze waarschijnlijk zullen zijn. Deze voorzichtigheid, hoewel het fouten voorkomt, leidt vaak tot overdimensionering, waarbij circuits groter worden gemaakt en meer stroom verbruiken dan nodig is, enkel om de onzekerheid te compenseren.

Onderzoekers aan de Universidad de Costa Rica hebben een nieuwe methode ontwikkeld om dit gokspel op te lossen, wat een manier biedt om de reistijd van signalen met veel grotere nauwkeurigheid te voorspellen voordat de uiteindelijke bedrading voltooid is. In plaats van te vertrouwen op de conservatieve gokken van standaardsoftware of op enorme, complexe computermodellen die moeilijk te begrijpen zijn, hebben zij een lichtgewicht, hybride systeem gecreëerd. Dit systeem combineert twee eenvoudige, goed begrepen wiskundige technieken: een beslisboom, die gegevens sorteert in groepen op basis van specifieke regels, en lineaire regressie, die rechte lijnpatronen binnen die groepen vindt. Door de beslisboom te gebruiken om de rommelige, echte gegevens te organiseren in kleinere, meer beheersbare brokken, en vervolgens een eenvoudige lijn-passende formule toe te passen op elk brokstuk, hebben de onderzoekers een model gebouwd dat leert van eerdere ontwerpen om toekomstige ontwerpen te voorspellen. Hun aanpak is niet alleen zeer nauwkeurig, maar ook transparant, waardoor ingenieurs precies kunnen zien waarom een voorspelling werd gedaan, een functie die vaak ontbreekt in complexere kunstmatige intelligentiesystemen.

Het team testte hun nieuwe methode met de open-source ontwerptool OpenLane, die breed wordt gebruikt door onderzoekers en hobbyisten om geïntegreerde schakelingen te maken. Ze voedden het model met gegevens van diverse circuitontwerpen, inclusief standaard benchmarks en praktijkvoorbeelden, en leerden het hoe factoren zoals de afstand tussen componenten, de grootte van de poorten en het aantal verbindingen de signalsnelheid beïnvloeden. De resultaten waren opmerkelijk. Wanneer vergeleken met de standaard schattingen van de OpenLane-tool, verminderde het nieuwe hybride model de fout in vertragingsvoorspellingen met wel 80 procent. Zelfs toen het model werd ontdaan van specifieke details over de OpenLane-tool zelf, verbeterde de nauwkeurigheid nog steeds met 71 procent. In praktische termen betekent dit dat ontwerpers nu veel meer kunnen vertrouwen op hun schattingen in een vroeg stadium, wat potentieel de noodzaak voor meerdere rondes van kostbare herwerking later in het ontwerpproces voorkomt.

Naast pure nauwkeurigheid benadrukten de onderzoekers de efficiëntie en helderheid van hun oplossing. Het model dat zij bouwden is ongelooflijk klein en neemt slechts iets meer dan 10 megabyte aan opslag in beslag, terwijl andere vergelijkbare machine learning-modellen in dit veld vele gigabytes kunnen vereisen. Het is ook aanzienlijk sneller, het draait meer dan twee keer zo snel als vergelijkbare modellen, en het is meer dan 300 keer kleiner in omvang. Misschien wel het belangrijkste voor de engineeringgemeenschap: het model is uitlegbaar. Omdat het steunt op een beslisboom gevolgd door eenvoudige lineaire vergelijkingen, kan een ingenieur het pad van een voorspelling traceren: zij kunnen zien welke regels de gegevens volgden en hoe de uiteindelijke berekening werd afgeleid. Dit staat in contrast met veel moderne machine learning-tools die fungeren als "black boxes", die antwoorden bieden zonder de redenering erachter te onthullen.

De studie bevestigt dat deze hybride aanpak een levensvatbaar alternatief biedt voor de zware, ondoorzichtige modellen die vaak in chipontwerp worden gebruikt. Door het probleem op te splitsen in kleinere, lineair voorspelbare delen, vangt het systeem de complexe, niet-lineaire gedragingen van echte circuits op zonder een massaal neuraal netwerk nodig te hebben. De onderzoekers merkten op dat het model uitzonderlijk goed presteerde op bepaalde circuits, waarbij de voorspellingsfouten voor specifieke ontwerpen met wel 80 procent werden verminderd, wat suggereert dat de methode bijzonder effectief is wanneer de nieuwe ontwerpen overeenkomsten vertonen met de gegevens die voor de training zijn gebruikt. Hoewel het huidige werk zich richtte op een specifieke set open-source tools en technologie-nodes, suggereert het succes van deze lichtgewicht, transparante methode een veelbelovende weg vooruit. Het demonstreert dat in de risicovolle wereld van chipontwerp de meest effectieve tools soms niet de meest complexe zijn, maar juist die welke precies, snel en gemakkelijk te begrijpen zijn.