关键词:
静态时序分析
复杂网络
机器学习
布局
布线
摘要:
VLSI布线阶段的时序收敛由于设计费用高昂,通常使用布局阶段的时序分析来辅助实现,但因缺乏详细的布线信息而存在不确定性。考虑信号传播和电路拓扑结构间的密切关系,提出一种利用复杂网络特征预测布线后电路时序的机器学习方法,并构建基本模型和增强模型来实现对比试验。首先在电路布局阶段,提取与时序优化相关的基本电路特征,并通过复杂网络建模计算时序路径上的复杂网络特征,基于这些特征生成机器学习的数据集。然后利用机器学习算法,比较两种模型在预测电路时序方面的性能。实验结果表明,同基本模型相比,引入复杂网络特征的增强模型在时序预测性能上表现出更高的预测精度。增强模型预测Slack的MSE降低了12.5%,达到了0.004515;R2提升了1.06%,达到了0.9314;r提升了0.54%,达到了0.9652。预测Delay的MSE降低了11.69%,达到了0.000302;R2提升了0.03%,达到了0.9973;r提升了0.02%,达到了0.9987。预测WNS的偏差降低了6.53%,达到了5.30%。预测TNS的偏差降低了1.59%,达到了12.38%。判断关键路径的AUC值提升了0.26%,达到了0.9873。实验结果证明复杂网络特征在预测电路时序方面的有效性。