Automação de projeto eletrônico (EDA) ou projeto auxiliado por computador (CAD) é uma categoria de ferramentas de software para projetar sistemas eletrônicos, como circuitos integrados (ICs). Com as ferramentas EDA, os projetistas podem concluir o fluxo de projeto de chips integrados de grande escala (VLSI) com bilhões de transistores. As ferramentas EDA são essenciais para o projeto VLSI moderno devido à grande escala e alta complexidade dos sistemas eletrônicos.
Recentemente, com o boom dos algoritmos de inteligência artificial (IA), a comunidade EDA está explorando ativamente técnicas de IA para IC para o design de chips avançados. Muitos estudos exploraram técnicas baseadas em aprendizado de máquina (ML) para tarefas de previsão em vários estágios no fluxo de design para obter uma convergência de design mais rápida. Por exemplo, o Google publicou um artigo na Nature em 2021, intitulado "Uma metodologia de colocação de gráfico para design de chip rápido", aproveitando o aprendizado de reforço (RL) para colocar macros em um design de chip.

A ideia básica é considerar o layout do chip como uma placa Go, enquanto cada macro como uma pedra. Dessa forma, um agente RL pode ser pré-treinado com 10.000 amostras de design interno e aprender a colocar uma macro por vez. Ao ajustar o agente em cada projeto por cerca de 6 horas, ele pode superar o desempenho das ferramentas EDA convencionais nos chips TPU do Google e obter melhor desempenho, potência e área (PPA).

Pode-se ver que "AI for EDA" está sendo ativamente explorado na comunidade de automação de design. Embora a construção de modelos de ML geralmente exija uma grande quantidade de dados, a maioria dos estudos só pode gerar pequenos conjuntos de dados internos para validação, devido à falta de grandes conjuntos de dados públicos e à dificuldade na geração de dados. Para isso, um conjunto de dados de código aberto dedicado a tarefas de ML em EDA é urgentemente desejado.

Para resolver esse problema, o grupo de pesquisa da Universidade de Pequim lançou o primeiro conjunto de dados de código aberto, chamado CircuitNet, dedicado à IA para aplicativos IC em VLSI CAD. O conjunto de dados consiste em mais de 10 mil amostras e 54 netlists de circuitos sintetizados de seis projetos RISC-V de código aberto, fornece suporte holístico para tarefas de previsão de estágio cruzado e suporta tarefas como previsão de congestionamento de roteamento, previsão de violação de regra de design (DRC) e IR previsão de queda. As principais características do CircuitNet podem ser resumidas da seguinte forma:

1. Grande escala:o conjunto de dados consiste em mais de 10 mil amostras extraídas de execuções versáteis de ferramentas de EDA comerciais com PDKs comerciais (atualmente em nó de tecnologia de 28 nm e em breve oferecerá suporte à tecnologia de 14 nm).
2. Diversidade:diferentes configurações na síntese lógica e no projeto físico são introduzidas para refletir diversas situações no fluxo do projeto.
3. Múltiplas tarefas:o conjunto de dados oferece suporte a três tarefas de previsão, ou seja, previsão de congestionamento, previsão de violação de DRC e previsão de queda de IR. O conjunto de dados inclui recursos amplamente adotados nos métodos de última geração e é validado por meio de experimentos.
4. Formatos fáceis de usar:os recursos são pré-processados ​​e transformados em matrizes Numpy com informações restritas removidas. Os usuários podem carregar os dados facilmente por meio de scripts Python.

Para avaliar a eficácia do CircuitNet, os autores validam o conjunto de dados por meio de experimentos em três tarefas de previsão:congestionamento, violações de DRC e queda de IR. Cada experimento usa um método de estudos recentes e avalia seu resultado no CircuitNet com as mesmas métricas de avaliação dos estudos originais. No geral, os resultados são consistentes com as publicações originais, o que demonstra a eficácia do CircuitNet. Um tutorial detalhado sobre a configuração experimental está disponível no GitHub. No futuro, os autores planejam incorporar mais amostras de dados com designs de grande escala em nós de tecnologia avançada para melhorar a escala e a diversidade do conjunto de dados.

A pesquisa foi publicada na Science China Information Sciences . + Explorar mais

Os gêmeos digitais da cidade ajudam a treinar modelos de aprendizado profundo para separar fachadas de edifícios