Процесс проектирования ИС включает в себя итерационные этапы оптимизации схем, а так как время выхода на рынок имеет решающее значение для отрасли, разработка эффективных методов оценки параметров ИС на ранних стадиях процесса проектирования - важная задача. В работе предложено использование алгоритмов машинного обучения для прогнозирования мощности утечки на этапе планировки физического проектирования для конкретной архитектуры. Эффективность предложенного метода продемонстрирована для блока, содержащего 64-разрядный арифметико-логический блок (ALU), связанный с регистрами общего назначения (GPRS). Данный блок разработан для 486 различных конфигураций и сценариев. В результате применения машинного обучения получен прогноз мощности утечки с разумной точностью для различных групп стандартных ячеек в блоках, предназначенных для различных сценариев. В предлагаемом методе не используются технологически зависимые данные, что делает его универсальным для любых технологических узлов, применяемых для проектирования различных блоков. Недостатком метода является необходимость прохождения полного потока проектирования для выбранной схемы с выбранным диапазоном параметров для сбора необходимых обучающих данных, что требует дополнительных ресурсов.
1. Wang L., Luo M. Machine learning applications and opportunities in IC design flow // 2019 International Symposium on VLSI Design, Automation and Test (VLSI-DAT). Hsinchu: IEEE, 2019. P. 1–3. https://doi.org/10.1109/VLSI-DAT.2019.8742073
2. Li B., Franzon P. D. Machine learning in physical design // 2016 IEEE 25th Conference on Electrical Performance of Electronic Packaging and Systems (EPEPS). San Diego, CA: IEEE, 2016. P. 147–150. https://doi.org/10.1109/EPEPS.2016.7835438
3. Barboza E. C., Shukla N., Chen Y., Hu J. Machine learning-based pre-routing timing prediction with reduced pessimism // 2019 56th ACM/IEEE Design Automation Conference (DAC). Las Vegas, NV: IEEE, 2019. P. 1–6.
4. Bai L., Chen L. Machine-learning-based early-stage timing prediction in SoC physical design // 2018 14th IEEE International Conference on Solid-State and Integrated Circuit Tech-nology (ICSICT). Qingdao: IEEE, 2018. P. 1–3. https://doi.org/10.1109/ICSICT.2018.8565778
5. Gourishetty S., Mandadapu H., Zahra A., Abbas Z. A highly accurate machine learning approach to modelling PVT variation aware leakage power in FinFET digital circuits // 2019 IEEE Asia Pacific Conference on Circuits and Systems (APCCAS). Bangkok: IEEE, 2019. P. 61–64. https://doi.org/10.1109/APCCAS47518.2019.8953073
6. VCS user guide // Synopsys Inc. [Электронный ресурс]. 2021. URL: https://www.synopsys.com/support/licensing-installation-computeplatforms/synopsys-documentation.html (дата обращения: 03.10.2022).
7. Design compiler user guide // Synopsys Inc. [Электронный ресурс]. 2021. URL: https://www.synopsys.com/support/licensing-installation-computeplatforms/synopsys-documentation.html (дата обращения: 03.10.2022).
8. Formality user guide // Synopsys Inc. [Электронный ресурс]. 2021. URL: https://www.synopsys.com/support/licensing-installation-computeplatforms/synopsys-documentation.html (дата обращения: 03.10.2022).
9. IC compiler II design planning user guide // Synopsys Inc. [Электронный ресурс]. 2021. URL: https://www.synopsys.com/support/licensing-installation-computeplatforms/synopsys-documentation.html (дата обращения: 03.10.2022).
10. StarRC user guide and command reference // Synopsys Inc. [Электронный ресурс]. 2021. URL: https://www.synopsys.com/support/licensing-installation-computeplatforms/synopsys-documentation.html (дата обращения: 03.10.2022).
11. PrimeTime user guide // Synopsys Inc. [Электронный ресурс]. 2021. URL: https://www.synopsys.com/support/licensing-installation-computeplatforms/synopsys-documentation.html (дата обращения: 03.10.2022).
12. Scikit-learn: machine learning in Python / F. Pedregosa, G. Varoquaux, A. Gramfort et al. // Journal of Machine Learning Research. 2011. Vol. 12. No. 85. P. 2825–2830.