Unifying Logical and Physical Layout Representations via Heterogeneous Graphs for Circuit Congestion Prediction

O artigo apresenta o VeriHGN, um framework de verificação baseado em grafos heterogêneos que unifica representações lógicas e físicas de circuitos para prever congestionamento com maior precisão, superando métodos anteriores em benchmarks industriais.

O essencial

Imagine que você está planejando a construção de uma cidade gigante, mas em vez de prédios e ruas, você está projetando um chip de computador (como o processador do seu celular).

Nessa "cidade microscópica", existem milhões de "casas" (os componentes eletrônicos) e "estradas" (os fios que conectam tudo). O grande problema é: como saber se o trânsito vai ficar engarrafado antes mesmo de construir as estradas?

Se você só descobrir os engarrafamentos depois de tudo pronto, terá que demoler e reconstruir partes da cidade, o que custa muito tempo e dinheiro.

O artigo que você enviou apresenta uma nova ferramenta chamada VeriHGN que ajuda a prever esses "engarrafamentos" (chamados de congestionamento na indústria) muito antes, usando uma inteligência artificial inteligente.

Aqui está a explicação simplificada, passo a passo:

1. O Problema: Duas Visões que não Conversam

Antes dessa nova ferramenta, os engenheiros olhavam para o chip de duas maneiras separadas, como se estivessem usando óculos diferentes:

• A Visão Lógica (O Mapa de Conexões): Eles olhavam para a lista de quem precisa se conectar a quem. "A casa A precisa falar com a casa B".
• A Visão Física (O Mapa de Terreno): Eles olhavam para onde as casas estão realmente colocadas no terreno. "A casa A está aqui, e a casa B está ali, longe".

O problema: As ferramentas antigas tentavam juntar essas duas visões, mas era como tentar montar um quebra-cabeça colando duas fotos diferentes lado a lado. Elas não se misturavam bem. O resultado era uma previsão de trânsito que muitas vezes errava, especialmente em áreas complexas onde o "plano" (lógica) não combinava com a "realidade" (espaço físico).

2. A Solução: O "Super-Mapa" Unificado (VeriHGN)

Os autores criaram o VeriHGN. Pense nele como um Super-Mapa Interativo que une tudo em uma única estrutura.

Em vez de ter duas listas separadas, o VeriHGN cria um Grafo Heterogêneo. Para usar uma analogia simples:

• Imagine uma rede social gigante.
• Temos Pessoas (os componentes do chip).
• Temos Grupos de Amigos (os fios que conectam as pessoas).
• Temos Bairros (as áreas físicas do chip).

O VeriHGN coloca todos esses elementos na mesma rede. Ele entende que:

1. A "Pessoa A" precisa falar com a "Pessoa B" (Lógica).
2. Elas moram em "Bairros" diferentes e distantes (Física).
3. Se o "Grupo de Amigos" for muito grande, vai criar um engarrafamento no bairro onde eles se encontram.

Ao colocar tudo no mesmo "gráfico", a inteligência artificial consegue ver como a intenção de conexão (lógica) interage com o espaço disponível (físico) ao mesmo tempo.

3. Como a IA "Pensa" (A Mensagem)

O segredo do VeriHGN é como ele troca informações. Ele usa um sistema de mensagens que viajam por essa rede:

• Mensagens de Conexão: Um fio diz: "Estou levando muita gente, preciso de espaço!"
• Mensagens de Vizinhança: Uma casa diz: "Estou muito perto da minha vizinha, não temos espaço para passar fios aqui!"
• Mensagens de Bairro: Um bairro diz: "Estou cheio de gente vindo de longe, preciso de mais estradas!"

A IA aprende a combinar todas essas mensagens. Se um fio longo precisa passar por um bairro já cheio, o sistema avisa: "Atenção! Vai haver um engarrafamento aqui!"

4. O "Zoom" Inteligente (Multiescala)

Outra vantagem genial é que o VeriHGN olha para o chip em diferentes níveis de zoom, como se fosse um mapa do Google Maps:

• Zoom Fino: Olha para cada pedacinho do chão (para ver se há muita gente num único ponto).
• Zoom Médio: Olha para o quarteirão inteiro (para ver o fluxo geral).
• Zoom Grosso: Olha para a cidade inteira (para ver se há um problema de trânsito em larga escala).

Isso é crucial porque um engarrafamento pode ser causado por uma única casa muito cheia (zoom fino) OU por um fio gigante que atravessa a cidade inteira (zoom grosso). O VeriHGN vê os dois.

5. Por que isso é importante?

Antes, os engenheiros tinham que construir o chip, tentar "encontrar o caminho" para os fios, e só então descobrir que havia um engarrafamento. Se havia um, eles tinham que começar tudo de novo. Isso levava semanas ou meses.

Com o VeriHGN:

• Eles podem prever os engarrafamentos antes de construir as estradas.
• Eles podem ajustar o projeto (mover as casas ou redesenhar os fios) enquanto o chip ainda está no papel.
• Resultado: Projetos de chips mais rápidos, mais baratos e com menos erros.

Resumo em uma frase

O VeriHGN é como um GPS inteligente para projetistas de chips que consegue prever onde o trânsito vai ficar parado, olhando ao mesmo tempo para o mapa de conexões (quem precisa falar com quem) e o mapa do terreno (onde as coisas estão), permitindo que eles evitem os engarrafamentos antes mesmo de colocar o primeiro tijolo.

Resumo técnico

Título: Unificando Representações Lógicas e de Layout Físico via Grafos Heterogêneos para Previsão de Congestionamento de Circuitos

1. O Problema

Com o aumento da escala e complexidade dos projetos de Integração de Circuito de Muito Grande Escala (VLSI), a verificação de layout tornou-se um gargalo crítico nos fluxos de Automação de Projeto Eletrônico (EDA).

• Desafio Principal: A identificação precisa de congestionamento de roteamento geralmente só ocorre após o roteamento detalhado, uma etapa computacionalmente cara que pode consumir até 70% do tempo total de design. A descoberta tardia de "pontos quentes" (hotspots) de congestionamento leva a múltiplas iterações de design, aumentando custos e tempo de entrega.
• Limitações das Abordagens Atuais: Métodos baseados em aprendizado de máquina existentes tentam prever congestionamento em estágios iniciais, mas frequentemente falham em integrar de forma eficaz duas fontes de informação cruciais:
  1. Conectividade da Netlist (Lógica): Estrutura topológica do circuito.
  2. Geometria do Layout (Física): Posicionamento espacial e restrições de recursos.
     As abordagens atuais tendem a tratar essas modalidades de forma desacoplada (usando fusão tardia) ou a focar excessivamente em uma delas, perdendo correlações sutis entre a intenção lógica e a realização física, especialmente em regiões densas e irregulares.

2. Metodologia: VeriHGN

Os autores propõem o VeriHGN, um framework unificado baseado em Grafos Heterogêneos para previsão de congestionamento em estágios iniciais. A inovação central é representar componentes do circuito e grades espaciais como um único grafo relacional, permitindo interação direta entre topologia e geometria.

A. Construção do Grafo Heterogêneo
O grafo unificado integra três tipos de nós e múltiplos tipos de arestas:

• Nós de Célula (Cell Nodes): Representam células padrão e macros (demanda de roteamento local).
• Nós de Rede (Net Nodes): Representam as conexões elétricas entre células (pressão de roteamento global).
• Nós de Grade (Grid Nodes): Representam regiões espaciais discretizadas do layout, organizadas em uma estrutura hierárquica (multirresolução).
  • Hierarquia: Grades finas capturam detalhes locais; grades mais grossas agregam contexto regional, permitindo que o modelo raciocine sobre congestionamento que se estende por grandes áreas.

B. Engenharia de Atributos Enriquecidos
Em vez de depender apenas da propagação profunda para recuperar sinais, o modelo utiliza atributos explícitos:

• Células: Coordenadas, dimensões, contagem de pinos, comprimento de fio (HPWL), densidade de pinos e tipo de célula.
• Redes: HPWL, dimensões da caixa delimitadora (bounding box) e grau da rede.
• Grades: Densidade de células, pinos e redes, além de estatísticas de área e comprimento de fio sobrepostas.

C. Mecanismo de Passagem de Mensagens (Message Passing)
O VeriHGN emprega uma arquitetura de passagem de mensagens específica para cada tipo de relação, permitindo a troca de informações entre lógica e física:

1. Célula-Rede: Propaga a demanda de roteamento das células para as redes.
2. Grade-Rede: Injeta contexto de congestionamento espacial (da grade) para as redes, permitindo que a rede "sinta" a disponibilidade de recursos ao longo do seu caminho.
3. Célula-Grade: Grounds as representações das células no contexto espacial da grade.
4. Célula-Célula (Geométrica): Captura competição local por recursos entre células vizinhas, usando um mecanismo de atenção para ponderar a relevância espacial.
5. Aprendizado Hierárquico: Passagem de mensagens de baixo para cima (agregação de grades finas para grossas) e de cima para baixo (propagação de contexto global para grades finas), utilizando um mecanismo de gate para equilibrar fidelidade local e contexto global.

D. Função de Perda e Treinamento

• Perda de Regressão Ponderada: Dado que o congestionamento é altamente desbalanceado (poucos hotspots críticos vs. muitas áreas livres), o modelo aplica pesos maiores aos exemplos de alto congestionamento para evitar que o modelo aprenda apenas a prever valores baixos.
• Regularização de Variância: Penaliza previsões que colapsam para valores constantes, garantindo que o modelo preserve a variabilidade relativa dos níveis de congestionamento.
• Critério de Parada: O treinamento é otimizado com base na correlação de Spearman (ranking) em vez de apenas erro quadrático médio, priorizando a correta ordenação dos hotspots.

3. Contribuições Principais

1. VeriHGN: Um framework unificado que integra netlist e grade de roteamento em um único grafo heterogêneo, superando a fusão indireta de métodos anteriores.
2. Arquitetura de Passagem de Mensagens Multirresolução: Modela explicitamente as interações entre células, redes e grades hierárquicas, permitindo o raciocínio conjunto sobre conectividade lógica e restrições físicas.
3. Desempenho Superior: Demonstra consistentemente melhorias em métricas de erro e correlação em benchmarks industriais e acadêmicos, superando o estado da arte (SOTA).

4. Resultados Experimentais

Os experimentos foram realizados nos benchmarks ISPD2015, CircuitNet-N14 e CircuitNet-N28.

• Comparação com SOTA: O VeriHGN superou modelos baseados em CNNs (como ST-FPN, LayNet), grafos homogêneos (GCN, GAT) e métodos heterogêneos anteriores (CircuitGNN, MIHC).
• Métricas:
  • Correlação de Spearman: O VeriHGN alcançou os melhores resultados na maioria dos casos, indicando uma capacidade superior de identificar e ordenar corretamente a gravidade dos hotspots de congestionamento (crucial para verificação prática).
  • Erro (MAE/RMSE): Redução consistente no erro absoluto em comparação com os concorrentes.
• Estudo de Ablação:
  • A remoção da hierarquia de grades causou a maior queda de desempenho, confirmando a importância do contexto multiescala.
  • A engenharia de atributos enriquecida provou ser mais eficiente do que depender apenas da propagação profunda de mensagens.
• Generalização Cross-Design: Ao treinar em um design e testar em outro (sem fine-tuning), o VeriHGN manteve uma retenção de desempenho significativamente maior (43-47%) em comparação ao MIHC (32-38%), sugerindo que aprende representações de demanda de roteamento mais transferíveis.

5. Significado e Impacto

Este trabalho representa um avanço significativo na interseção entre aprendizado de máquina e design de circuitos integrados:

• Eficiência de Design: Ao permitir a previsão precisa de congestionamento antes do roteamento detalhado, o VeriHGN pode reduzir drasticamente o número de iterações de design, economizando tempo e recursos computacionais.
• Modelagem Unificada: A abordagem de tratar lógica e física como um único grafo relacional resolve o problema fundamental de desacoplamento nas metodologias atuais, capturando correlações complexas que eram anteriormente ignoradas.
• Escalabilidade: A arquitetura é projetada para lidar com designs industriais de grande escala (milhões de células), oferecendo uma solução escalável para os desafios de verificação de layout na era de chips modernos.

Em resumo, o VeriHGN estabelece um novo paradigma para a previsão de congestionamento, demonstrando que a unificação estrutural de representações lógicas e físicas via grafos heterogêneos é essencial para a próxima geração de ferramentas de EDA baseadas em IA.