机器学习如何解决芯片设计中的NP-hard的问题

velvetgobears

EDA 中的大部分设计问题都属于 NP-hard 问题，由于不存在解决这些问题的多项式时间算法，因此无法通过分析确定最优解决方案。

' l# k$ }2 H* V8 E0 V/ B, Y目前，新设计挑战层出不穷，导致 EDA 系统愈发难以满足高级流程节点的要求（图 1）。更糟糕的是，这些要求互相依存，需要在多个设计优化层面上同时加以考虑。实际应用和使用的技术高度依赖各个特定问题空间。
* t  a( B. x6 t
5 Y* x5 E0 ~8 j- ], D那么如何在设计环境访问受限时针对特定问题制定总体解决方案？
) f, S( T: s# k7 c; w7 Q
示例：优化期间的快速延迟预测高级节点的复杂物理效应和制造规则可对设计收敛性产生影响。有各种适用于信号完整性、波形传播、噪声等对象的建模功能可准确计算延迟。但这些功能在计算方面非常昂贵，需要在预布线设计阶段谨慎使用。ML 延迟预测器是一个统计模型，经训练后可在多个设计发展阶段捕获时间，让上游引擎能够更快速地了解复杂的下游效应，做出更优决策。延迟预测器可改善设计收敛性并加快设计向更优秀的 PPA 方向发展（图 2）。
3 z( V9 l  }6 A- q; C2 L, \7 Z1 d

想了解更多扩展ML预测器的范例，请扫描或点击阅读全文。

# U$ t! I6 \% [0 s2 H
9 n5 S( {  g5 B

# U- p2 o! G! Q4 v3 Q

. F$ A7 _7 f) z6 Q& G7 q

younicp

阅读全文在哪里