机构名称：
¥ 1.0
摘要 — 网络长度是标准数字设计流程各个阶段中优化时序和功耗的关键代理指标。然而，大部分网络长度信息直到单元布局之前才可用，因此，在布局之前的设计阶段（例如逻辑综合）明确考虑网络长度优化是一项重大挑战。此外，缺乏网络长度信息使准确的布局前时序估计变得极其困难。时序可预测性差不仅影响时序优化，而且妨碍对综合解决方案的准确评估。这项工作通过一个带有网络长度和时序估计器的布局前预测流程解决了这些挑战。我们提出了一种可定制的图注意网络 (GAT) 方法，称为 Net 2，用于在单元布局之前估计单个网络长度。其面向准确度的版本 Net 2a 在识别长网络和长关键路径方面的准确度比之前的几项工作高出约 15%。其快速版本 Net 2f 比布局快 1000 倍以上，同时在各种精度指标方面仍优于以前的工作和其他神经网络技术。基于网络大小估计，我们提出了第一个基于机器学习的预布局时序估计器。与商业工具的预布局时序报告相比，它将电弧延迟中的相关系数提高了 0.08，并将松弛、最差负松弛和总负松弛估计的平均绝对误差降低了 50% 以上。
通过定制图神经网络进行预置网络长度和时间估计
主要关键词
相关文件推荐
