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

No mundo da eletrônica moderna, os minúsculos chips que alimentam nossos dispositivos são projetados por meio de um processo iterativo e complexo. Engenheiros começam com um projeto lógico e gradualmente o transformam em um layout físico, uma jornada que envolve o posicionamento de bilhões de componentes microscópicos e a conexão deles com fios microscópicos. Um ponto de verificação crítico nesta jornada é uma verificação de segurança chamada análise de tempo estático. Esse processo garante que os sinais elétricos viajem rápido o suficiente entre os componentes para manter o dispositivo funcionando corretamente. No entanto, um desafio significativo surge cedo na fase de projeto, antes que os fios sejam totalmente desenhados. Nesta etapa, os engenheiros têm uma ideia aproximada de onde os componentes ficarão, mas carecem de detalhes precisos sobre os fios que os conectarão. Sem esses detalhes, as ferramentas tradicionais muitas vezes precisam adivinhar o tempo de viagem dos sinais. Para serem seguros, essas ferramentas tendem a estimar de forma conservadora, assumindo que os sinais serão mais lentos do que provavelmente serão. Essa cautela, embora previna erros, frequentemente leva ao sobredimensionamento, onde os circuitos são feitos maiores e consomem mais energia do que o necessário apenas para compensar a incerteza.

Pesquisadores da Universidad de Costa Rica desenvolveram um novo método para resolver esse jogo de adivinhação, oferecendo uma maneira de prever os tempos de viagem dos sinais com precisão muito maior antes que a fiação final esteja completa. Em vez de depender das estimativas conservadoras de softwares padrão ou de modelos computacionais massivos e complexos que são difíceis de entender, eles criaram um sistema híbrido leve. Este sistema combina duas técnicas matemáticas simples e bem compreendidas: uma árvore de decisão, que classifica os dados em grupos com base em regras específicas, e a regressão linear, que encontra padrões de linha reta dentro desses grupos. Ao usar a árvore de decisão para organizar os dados desordenados do mundo real em pedaços menores e mais gerenciáveis, e então aplicar uma fórmula simples de ajuste de linha a cada pedaço, os pesquisadores construíram um modelo que aprende com projetos passados para prever os futuros. A abordagem deles não é apenas altamente precisa, mas também transparente, permitindo que os engenheiros vejam exatamente por que uma previsão foi feita, um recurso frequentemente ausente em sistemas de inteligência artificial mais complexos.

A equipe testou seu novo método usando a ferramenta de design de código aberto OpenLane, amplamente utilizada por pesquisadores e entusiastas para criar circuitos integrados. Eles alimentaram o modelo com dados de vários designs de circuitos, incluindo benchmarks padrão e exemplos do mundo real, ensinando-o a reconhecer como fatores como a distância entre componentes, o tamanho das portas e o número de conexões influenciam a velocidade do sinal. Os resultados foram impressionantes. Quando comparado às estimativas padrão fornecidas pela ferramenta OpenLane, o novo modelo híbrido reduziu o erro nas previsões de atraso em até 80 por cento. Mesmo quando o modelo foi desprovido de detalhes específicos da ferramenta OpenLane, ele ainda melhorou a precisão em 71 por cento. Em termos práticos, isso significa que os designers agora podem confiar muito mais em suas estimativas de estágio inicial, potencialmente evitando a necessidade de múltiplas rodadas de retrabalho dispendiosas mais adiante no processo de design.

Além da precisão bruta, os pesquisadores destacaram a eficiência e a clareza de sua solução. O modelo que construíram é incrivelmente pequeno, ocupando pouco mais de 10 megabytes de armazenamento, enquanto outros modelos de aprendizado de máquina similares usados neste campo podem exigir vários gigabytes. É também significativamente mais rápido, rodando mais de duas vezes mais rápido que modelos comparáveis, e é mais de 300 vezes menor em tamanho. Talvez o mais importante para a comunidade de engenharia, o modelo é explicável. Por depender de uma árvore de decisão seguida de equações lineares simples, um engenheiro pode rastrear o caminho de uma previsão: ele pode ver quais regras os dados seguiram e como o cálculo final foi derivado. Isso contrasta com muitas ferramentas de aprendizado de máquina modernas que atuam como "caixas pretas", oferecendo respostas sem revelar o raciocínio por trás delas.

O estudo confirma que esta abordagem híbrida oferece uma alternativa viável aos modelos pesados e opacos frequentemente usados no design de chips. Ao decompor o problema em partes menores e linearmente previsíveis, o sistema captura os comportamentos complexos e não lineares de circuitos reais sem a necessidade de uma rede neural massiva. Os pesquisadores observaram que o modelo desempenhou excepcionalmente bem em certos circuitos, reduzindo os erros de previsão em até 80 por cento para designs específicos, sugerindo que o método é particularmente eficaz quando os novos designs compartilham semelhanças com os dados usados para treiná-lo. Embora o trabalho atual tenha focado em um conjunto específico de ferramentas de código aberto e nós tecnológicos, o sucesso deste método leve e transparente sugere um caminho promissor à frente. Ele demonstra que, no mundo de alto risco do design de chips, às vezes as ferramentas mais eficazes não são as mais complexas, mas sim aquelas que são precisas, rápidas e fáceis de entender.