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。

IC设计流程自动化环境的研究

随着半导体工艺技术的快速发展、集成电路(IC)规模越来越大、复杂度越来越高,电子设计自动化(EDA)工具也日益复杂,如何借助工具提高设计效率已经成为业界广泛关注的问题。文章介绍了一种基于工具命令语言(TCL)构建的用于搭建IC设计流程自动化环境的系统框架,并详细说明了其实现方法,利用该框架可方便地定制各种IC设计自动化流程,提高工作效率。

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。

Orthogonal Drawings of Graphs for the Automation of VLSI Circuit Design

This article shows the recent developments on orthogonal draw-ings of graphs which have applications for the automation of VLSI circuit design.Meanwhile, a number of problems are posed for further research.