OpenPARF:基于深度学习工具包的大规模异构FPGA开源布局布线框架

该文提出一个面向大规模可编辑逻辑门阵列(FPGA)的开源布局布线框架OpenPARF。该框架基于深度学习工具包PyTorch实现,支持GPU大规模并行计算求解。在布局算法方面,该文设计了一种新型非对称多静电场系统,对FPGA布局问题进行建模。在布线算法方面,该文支持对FPGA可编程逻辑块(CLB)内部布线资源进行准确建模,并在大规模不规则布线资源图上进行布线,提高了异构FPGA芯片布线器的性能和效率。该文在ISPD 2016和2017 FPGA竞赛数据集和工业标准级FPGA数据集上进行了实验,结果表明该框架可减少0.4%~12.7%的布线线长,并实现两倍以上布局效率提升。

先进工艺下的数字签核

数字签核是帮助数字芯片设计者确保开发产品的功能性和完备性的工具,由于先进工艺数字芯片流片费用极为昂贵,流片前签核的重要性越来越高。本文介绍了数字签核的两个关键环节时序和噪声验证,具体阐述了时序和噪声验证环节的核心挑战、关键技术和基本流程,并就新兴技术的结合进行详细讨论。

机器学习辅助数字集成电路后端设计方法

数字集成电路后端设计是连接电路逻辑设计和制造的桥梁,需要同时考虑来自上层设计和下层制造工艺的约束。随着集成电路设计复杂度不断增加,工艺节点不断演进,后端设计自动化也面临越来越多来自建模和优化的挑战。为了应对这些挑战,机器学习技术被引入到后端设计自动化流程当中,为复杂建模提供了高效精准的方案,也为求解优化问题带来了新思路。介绍了数字后端设计自动化的典型流程,机器学习在数字后端设计的主要作用,以及当前研究对机器学习辅助数字后端设计的一些重要探索。