
电子设计自动化(EDA)或计算机辅助设计(CAD)是一类用于设计电子系统的软件工具,如集成电路(ICs)。利用EDA工具,设计师可以完成具有数十亿个晶体管的超大规模集成(VLSI)芯片的设计流程。由于电子系统的大规模和高复杂性,EDA工具在现代VLSI设计中是必不可少的。
近年来,随着人工智能(AI)算法的蓬勃发展,EDA界正在积极探索AI集成电路技术,以设计先进的芯片。许多研究探索了基于机器学习(ML)的设计流跨阶段预测任务技术,以实现更快的设计收敛。例如,谷歌于2021年在《自然》杂志上发表了一篇题为《快速芯片设计的图形放置方法》( 《A graph placement methodology for fast chip design》的论文,利用强化学习(RL)在芯片设计中放置宏。

Google 提出的宏放置算法示例
该方法的基本思路是将芯片布局视为围棋棋盘,而将每个宏视为一块石头。通过这种方式,RL代理可以使用10,000个内部设计样本进行预训练,并学会一次放置一个宏。通过对每个设计上的代理进行大约6小时的微调,它可以在谷歌的TPU芯片上超越传统EDA工具的性能,并获得更好的性能、功率和面积(PPA)。
由此可见,“AI for EDA”在设计自动化领域正被积极探索。虽然构建ML模型通常需要大量的数据,但由于缺乏大型公共数据集和数据生成的难度,大多数研究只能生成小型的内部数据集进行验证。为此,迫切需要一个专门用于EDA中ML任务的开源数据集。

数据收集和特征提取的总体流程
为了解决这个问题,北京大学的研究小组发布了第一个名为CircuitNet的开源数据集,该数据集致力于集成电路CAD中的人工智能应用。该数据集由超过10K的样本和来自6个开源RISC-V设计的54个合成电路网络列表组成,为跨阶段预测任务提供整体支持,支持包括路由拥塞预测、设计规则检查(DRC)违例预测和IR下降预测等任务。CircuitNet的主要特点可以总结如下:
- 大规模:数据集包括超过10K的样本,提取自商用EDA工具和商用PDKs(目前是28nm技术节点,很快将支持14nm技术)的通用运行。
- 多样性:在逻辑综合和物理设计中引入不同的设置,以反映设计流程中的不同情况。
- 多任务:数据集支持三种预测任务,即拥塞预测、DRC违规预测和IR下降预测。该数据集包括在最先进的方法中广泛采用的特征,并通过实验进行了验证。
- 易于使用的格式:特性被预处理并转换为去掉限制信息的Numpy数组,用户可以通过Python脚本轻松加载数据。

三个跨阶段预测任务:拥塞、DRC 违规和 IR drop
为了评估CircuitNet的有效性,研究人员通过三个预测任务的实验验证了数据集:拥塞、DRC违规和IR下降。每个实验都采用最近研究的方法,并在CircuitNet上使用与原始研究相同的评价指标对其结果进行评价。总体而言,研究结果与原出版物一致,证明了CircuitNet的有效性。关于实验设置的详细教程可以在GitHub上找到。未来,研究人员计划在先进的技术节点中引入更多的大规模设计的数据样本,以提高数据集的规模和多样性。
GitHub:https://circuitnet.github.io/
原文链接:https://techxplore.com/news/2022-09-open-source-dataset-machine-applications-fast.html
论文链接:https://link.springer.com/article/10.1007/s11432-022-3571-8