🤖 machine learning

FusionCell: Cross-Attentive Fusion of Layout Geometry and Netlist Topology for Standard-Cell Performance Prediction

FusionCell 是一种新颖的双模态深度学习框架，它通过拓扑引导的交叉注意力机制将路由布局几何与网表拓扑相融合，以实现标准单元性能指标的高精度快速预测，其表现显著优于现有基线方法和传统仿真方法。

原作者： Haoyi Zhang, Kairong Guo, Bojie Zhang, Yibo Lin, Runsheng Wang

发布于 2026-05-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Haoyi Zhang, Kairong Guo, Bojie Zhang, Yibo Lin, Runsheng Wang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在尝试预测某种特定汽车发动机的运行速度。要准确做到这一点，你需要两样东西：

蓝图（网表）：它告诉你各个部件是如何连接的——燃油管路通向哪里，哪个活塞连接到哪个阀门，以及发动机的电气逻辑。
实体发动机（布局）：这是实际的金属和塑料部件。它告诉你管道的长度、电线的粗细，以及各个部件彼此相邻的距离。

在计算机芯片的世界里，这些“发动机”被称为标准单元。它们是构成从手机到笔记本电脑等一切设备的基本微小模块。

问题：慢速方法 vs. 错误方法

传统上，工程师通过运行庞大而缓慢的计算机模拟来确定这些单元的运行速度。这就像建造一个全尺寸的实体发动机模型，并在风洞中进行测试。这种方法虽然准确，但测试仅仅几种变体就需要数天时间。

一些更快的方法曾尝试利用人工智能（AI）来推测速度。

“仅视觉”的错误：某些 AI 只看发动机的图片（布局），而不阅读蓝图。这就像试图仅通过观察车漆的照片来猜测汽车的速度，却忽略了发动机的大小。它遗漏了关键的连接信息。
“仅蓝图”的错误：其他 AI 只阅读蓝图（网表），而忽略了物理形状。这就像阅读食谱，却忽略了你是使用一个小锅还是一个巨大的锅。它遗漏了物理尺寸如何影响速度。

这两种方法虽然快速，但都不准确，因为它们都忽略了故事的一半。

解决方案：FusionCell

这篇论文介绍了一种名为FusionCell的新型 AI。将 FusionCell 想象为一位拒绝只关注单一事物的资深机械师。它迫使 AI 同时查看蓝图和实体发动机，但以一种非常特定的方式。

以下是其工作原理，使用一个简单的类比：

“地图与卫星”类比
想象你拥有一张城市的卫星图像（布局）和一张街道地图（网表）。

如果你只看卫星图像，你能看到道路和建筑物，但不知道哪条路通向医院。
如果你只看地图，你知道医院连接着主街，但不知道主街是一条狭窄的小巷还是一条宽阔的高速公路。

FusionCell 的秘诀：
FusionCell 并非简单地将地图和照片拼凑在一起，而是将地图用作“搜索查询”。

它提取“地图”（网表）并提问：“输出信号的连接点在哪里？”
然后，它利用这个问题主动扫描卫星图像（布局），以找到与该信号对应的确切金属导线和路径。
它将“位置”（来自地图）与“是什么”（导线的物理形状）结合起来，从而计算速度。

这被称为拓扑引导融合。电气连接（地图）引导 AI 关注那些重要的特定物理部件（图像），而忽略其余的背景噪声。

结果

研究人员在包含超过 19,500 种不同芯片设计（基于非常先进的 7 纳米工艺）的庞大数据集上测试了这种方法。

速度：传统方法需要数天来模拟这些芯片，而 FusionCell 仅需毫秒即可完成。这意味着速度提升了10,000 倍。
准确性：其精度极高，平均误差率低于1%。
排序能力：它不仅仅是猜测数值；它还能正确判断哪些芯片设计比其他设计更快，这对于工程师为新芯片选择最佳部件至关重要。

为何重要

该论文声称，通过利用这种智能搜索方法将“骨架”（连接）与“血肉”（物理布局）融合，FusionCell 使得工程师能够在过去仅能测试少数几种设计所需的时间段内，探索数百万种设计可能性。它不仅使预测变得更快，而且使预测结果变得足够可靠，足以在许多任务中取代缓慢的旧式模拟。

简而言之：FusionCell 是一位超快、超精准的 AI 机械师，它同时阅读蓝图并观察发动机，从而无需先制造真实原型，就能确切地告诉你汽车将如何运行。

技术摘要：FusionCell

问题陈述

标准单元是数字 VLSI 电路的基本构建模块，其延迟和功耗特性对整体芯片性能至关重要。传统的表征方法依赖于一个缓慢的多步骤流程，包括从布局几何中提取电阻/电容（R/C），随后进行详尽的电路仿真。完成整个库的表征可能需要数天时间，这为需要在大设计空间中进行快速迭代的设计技术协同优化（DTCO）流程造成了瓶颈。

尽管已有研究提出利用机器学习（ML）方法来加速这一过程，但现有方法存在显著局限性：

仅网表模型：图神经网络（GNN）和图 Transformer 能够捕捉拓扑连接性，但忽略了布局几何信息，无法考虑依赖于布局的 R/C 效应。
仅布局模型：基于视觉的回归器能够捕捉空间细节，但缺乏网表上下文，无法区分电气有效信号与填充 dummy 单元，也无法遵守连接性约束。
朴素融合：此前尝试融合这些模态的方法通常依赖后期融合或对称拼接，未能建立特定电气节点与其物理几何实现之间的细粒度对应关系。

核心挑战在于如何联合表征布局几何和网表拓扑，使模型能够同时捕捉细粒度的空间细节（寄生效应）和结构连接性，从而实现准确的性能预测。

方法论：FusionCell

FusionCell 是一种双模态预测器，旨在将布线路由几何和网表拓扑作为强制性且显式融合的输入进行处理。该架构基于物理直觉构建：网表定义了“骨架”（性能包络），而布局提供了“血肉”（R/C 变化），因此需要一种由拓扑引导的机制来解读几何信息。

1. 布局表征（DeiT 编码器）

布线路由被处理为多层图像张量。

输入：一个三通道张量，代表主要布线路由层（M0、M1、M2）。像素填充的是归一化的网络 ID，而非二值占用信息，以保留跨层的语义连接性。
预处理：通过层间投影到相邻的二维金属平面上，保留垂直连接（通孔）。布局沿其较长维度对齐，以最小化填充伪影。
编码：采用数据高效图像 Transformer（DeiT）骨干网络处理该张量，将其分割为图块并生成一系列空间布局令牌（ $Z_L$ ）。选择这种全局自注意力机制是因为其能够建模长距离分布效应，如 IR 压降和累积耦合电容。

2. 网表征（图 Transformer）

网表被建模为异构图，以同时捕捉局部连接性和全局相关性。

图构建：该图包含两种节点类型：器件节点（具有驱动强度等属性的晶体管）和网络节点（电气连接）。
边：定义了两类边：
- 连接边：器件与网络之间的物理连线。
- 相关边：结构相关网络之间的链接，用于捕捉信号流和潜在干扰。
编码：图 Transformer 编码器处理该异构图。它在注意力机制中采用结构偏置，强制消息仅在连接的节点之间传递，确保模型在捕捉全局依赖性的同时尊重底层电路拓扑。这生成了图令牌（ $Z_G$ ）。

3. 拓扑引导的多模态融合

核心创新是一种非对称的交叉注意力机制，其中网表充当结构“地图”来查询布局。

机制：图令牌（ $Z_G$ ）充当查询（Queries），而布局令牌（ $Z_L$ ）充当键（Keys）和值（Values）。
功能：对于每个电气节点（例如输出网络），注意力机制主动扫描布局以检索相关的几何细节（金属走线、通孔）。
归纳偏置：该设计强制布局特征仅在影响特定电气元件时才被考虑，防止模型过拟合背景纹理或无关的硅区域。
输出：融合后的令牌通过掩码感知池化进行聚合，并输入到多层感知机（MLP）回归头，以预测六项指标：上升/下降延迟、上升/下降转换时间以及上升/下降功耗。

主要贡献

FusionCell 框架：一种双模态预测器，通过拓扑引导的交叉注意力机制整合布线路由几何和网表拓扑，实现了准确且排序稳定的性能预测。
几何保持编码：一种利用 DeiT 对布线路由进行表征的策略，保留了跨多个布线路由层的 R/C 关键金属和通孔信息，实现了细粒度的空间推理。
拓扑感知网表建模：一种使用图 Transformer 的异构图表示，显式捕捉了器件 - 网络连接性以及网络 - 网络相关性，提供了具有电气意义的结构表征。
7nm 数据集：生成了一个基于 ASAP7 PDK 的大规模数据集，包含超过 19,500 个单元，涵盖 149 种类型，由自动化工具生成，针对六项关键延迟和功耗指标。

实验结果

实验在 7nm ASAP7 基准上进行，将 FusionCell 与仅视觉、后期融合、对称融合以及最先进（ProtoCellLayout）的基线进行了比较。

回归精度：FusionCell 实现了平均绝对百分比误差（MAPE）为 0.92%， $R^2$ 为 0.977。这显著优于最佳基线（对称融合，MAPE 为 2.19%）和最先进的 ProtoCellLayout（MAPE 为 4.16%）。
排序一致性：对于单元变体排序（对综合至关重要），FusionCell 的斯皮尔曼 $\rho$ 达到 0.86，肯德尔 $\tau$ 达到 0.76，展示了优于基线的区分细粒度结构差异的能力，而基线往往无法正确对变体进行排序。
效率：FusionCell 在单个 GPU 上完成整个 1.95 万个单元数据集的推理仅需约 67 秒。与传统仿真相比，这代表了 $10^4\times$ 的加速，后者生成相同的黄金标签需要超过 5 天。
消融研究：移除拓扑引导融合（替换为对称融合）或从图中移除相关边会导致性能显著下降，验证了定向查询机制和包含网络 - 网络相关性的必要性。

意义与影响

本文声称，FusionCell 通过将模型架构与设计数据的物理层级对齐，为多模态电子设计自动化（EDA）建立了一种可推广的范式。通过将网表视为布局几何的主动查询机制，该模型模拟了物理 R/C 提取过程，确保预测基于电气连接性而非视觉纹理。

其主要意义在于实现了快速的设计空间探索。通过将数天的繁重计算替换为毫秒级的推理，FusionCell 允许设计人员在运行昂贵的签核仿真之前筛选候选方案并识别帕累托最优单元。这种加速对于 DTCO 流程至关重要，有助于降低芯片设计过程的能耗和碳足迹。这项工作将自己定位为迈向高级 EDA 工具民主化的一步，使高保真性能预测变得可及且快速。