L'automazione della progettazione elettronica (EDA) o la progettazione assistita da computer (CAD) è una categoria di strumenti software per la progettazione di sistemi elettronici, come i circuiti integrati (CI). Con gli strumenti EDA, i progettisti possono completare il flusso di progettazione di chip integrati su larga scala (VLSI) con miliardi di transistor. Gli strumenti EDA sono essenziali per la moderna progettazione VLSI a causa della grande scala e dell'elevata complessità dei sistemi elettronici.

Di recente, con il boom degli algoritmi di intelligenza artificiale (AI), la comunità EDA sta esplorando attivamente l'IA per le tecniche IC per la progettazione di chip avanzati. Molti studi hanno esplorato tecniche basate sull'apprendimento automatico (ML) per attività di previsione tra fasi nel flusso di progettazione per ottenere una convergenza di progettazione più rapida. Ad esempio, Google ha pubblicato un articolo su Natura nel 2021 dal titolo "Una metodologia di posizionamento del grafico per la progettazione di chip veloci", sfruttando l'apprendimento per rinforzo (RL) per posizionare le macro in una progettazione di chip.

L'idea di base è considerare il layout dei chip come una Go board, mentre ogni macro come una pietra. In questo modo, un agente RL può essere pre-addestrato con 10.000 campioni di design interni e imparare a posizionare una macro alla volta. Mettendo a punto l'agente su ciascun progetto per circa 6 ore, può superare le prestazioni degli strumenti EDA convenzionali sui chip TPU di Google e ottenere prestazioni, potenza e area (PPA) migliori.

Si può vedere che "AI for EDA" è attivamente esplorato nella comunità dell'automazione del design. Sebbene la creazione di modelli ML richieda solitamente una grande quantità di dati, la maggior parte degli studi può generare solo piccoli set di dati interni per la convalida, a causa della mancanza di grandi set di dati pubblici e della difficoltà nella generazione dei dati. A tal fine, è urgente un set di dati open source dedicato alle attività di ML in EDA.

Per affrontare questo problema, il gruppo di ricerca dell'Università di Pechino ha rilasciato il primo set di dati open source, chiamato CircuitNet, dedicato all'IA per applicazioni IC in VLSI CAD. Il set di dati è costituito da oltre 10.000 campioni e 54 netlist di circuiti sintetizzati da sei progetti RISC-V open source, fornisce supporto olistico per attività di previsione a più stadi e supporta attività tra cui la previsione della congestione di routing, la previsione delle violazioni del controllo delle regole di progettazione (DRC) e IR previsione di caduta. Le principali caratteristiche di CircuitNet possono essere così riassunte:

1. Grande scala:il set di dati è costituito da oltre 10.000 campioni estratti da esecuzioni versatili di strumenti EDA commerciali con PDK commerciali (attualmente nel nodo tecnologico a 28 nm e presto supporterà la tecnologia a 14 nm).
2. Diversità:vengono introdotte impostazioni diverse nella sintesi logica e nella progettazione fisica per riflettere situazioni diverse nel flusso di progettazione.
3. Attività multiple:il set di dati supporta tre attività di previsione, ovvero previsione della congestione, previsione della violazione del DRC e previsione della caduta di IR. Il set di dati include funzionalità ampiamente adottate nei metodi all'avanguardia e viene convalidato tramite esperimenti.
4. Formati facili da usare:le funzionalità vengono preelaborate e trasformate in array Numpy con informazioni limitate rimosse. Gli utenti possono caricare facilmente i dati tramite gli script Python.

Per valutare l'efficacia di CircuitNet, gli autori convalidano il set di dati mediante esperimenti su tre attività di previsione:congestione, violazioni del DRC e caduta di IR. Ogni esperimento prende un metodo da studi recenti e ne valuta il risultato su CircuitNet con le stesse metriche di valutazione degli studi originali. Nel complesso, i risultati sono coerenti con le pubblicazioni originali, il che dimostra l'efficacia di CircuitNet. Un tutorial dettagliato sulla configurazione sperimentale è disponibile su GitHub. In futuro, gli autori prevedono di incorporare più campioni di dati con progetti su larga scala in nodi di tecnologia avanzata per migliorare la scala e la diversità del set di dati.

La ricerca è stata pubblicata su Science China Information Sciences . + Esplora ulteriormente

I digital twin delle città aiutano a formare modelli di deep learning per separare le facciate degli edifici