基于机器学习的快速时序校准方法*

何柏声 詹瑞典

技术应用

基于机器学习的快速时序校准方法*

何柏声1詹瑞典2

（1.广东工业大学集成电路学院，广东 广州 510006 2.佛山芯珠微电子有限公司，广东 佛山 528225）

针对布局布线工具和时序签核工具的时序分析差异，导致的迭代次数多、时序收敛困难的问题，提出一种基于机器学习的快速时序校准方法。首先，基于55 nm工艺，利用开源设计收集数据样本；然后，分别采用Lasso线性回归、BP神经网络、随机森林算法完成寄生参数预测模型的训练、测试及对比；最后，通过实验验证该方法的时序校准效果。实验结果表明，该方法可减少布局布线工具和时序签核工具间的时序分析差异。

芯片物理设计；静态时序分析；机器学习；寄生参数预测；时序校准

0　引言

随着集成电路设计规模的提升和制造工艺的进步，签核（signoff）中静态时序分析的时间成本更高、时序收敛更困难。国际半导体技术路线图指出，设计成本是半导体路线图延续的最大阻碍，其中工具许可、工程师工资等不可回收的成本是芯片设计成本的主要组成部分[1-2]。在集成电路物理设计中，布局布线（P&R）工具和signoff工具之间，由于寄生参数提取模型、时序计算方法等因素，导致时序计算结果存在较大差异[3]，影响P&R工具的设计质量，造成额外的迭代优化工作，使芯片设计效率降低和成本提高。

静态时序分析工具扩展性有限，对芯片物理设计优化时，需要多轮时序计算及迭代。上述研究成果需要完全嵌入到静态时序分析工具，在每次时序分析时将预测结果导入静态时序分析工具，才能充分发挥其作用及优势，但这在实际工程中较难实现。

为此，本文设计一种基于机器学习的快速时序校准方法，可在芯片物理设计过程中通过一次寄生参数校准，完成P&R工具和signoff工具的时序校准。

1　快速时序校准方法及流程

在芯片物理设计的静态时序分析计算中，寄生电容、电阻直接影响门单元延时、线延时和翻转时间。P&R工具和signoff工具的寄生参数相关性是影响这2种工具时序差异的主要因素之一。在P&R工具中可以设置提取缩放因子，对寄生电容、寄生电阻进行校准，校准原理为

式中：

——提取缩放因子；

本文根据寄生参数校准原理，结合机器学习方法，提出一种高效的时序校准方法，时序校准流程如图1所示。

图1　基于机器学习的快速时序校准流程图

初始布线完成后，设计中存在具体的布线信息，同时还有很多时序违例未修复，需要大量时间执行布线增量优化。本文设计的时序校准方法如下：

1）以初始布线为起点，从P&R工具中提取各个节点的物理、时序信息，分别输入到寄生电容、寄生电阻预测模型。

2）寄生电容、寄生电阻预测模型基于P&R工具中时间成本较低的设计信息，预测signoff阶段中高精度、高时间成本的寄生电容、寄生电阻。

3）与P&R工具中的寄生电容、电阻进行比较，分别计算出寄生电容和寄生电阻的提取缩放因子，计算公式为

式中：

k,factor——寄生电容的提取缩放因子；

k,factor——寄生电阻的提取缩放因子；

4）在P&R工具中设置提取缩放因子，进行布线增量优化。

该方法可以在首次布线过程中完成时序校准，无需额外迭代。

2　数据样本收集

为收集足够的数据样本训练和测试寄生电容预测模型、寄生电阻预测模型，本文基于6个开源的门级网表[10]，利用55 nm工艺，重复进行物理设计实验，并提取设计中各个节点的物理、时序信息，分别构建寄生电容预测模型、寄生电阻预测模型的数据集。构建数据集设计规模如表1所示。数据样本收集流程如图2所示。

表1　构建数据集设计规模 单位：个

图2　数据样本收集流程图

为使数据样本足够多，将6个设计分别在不同的时钟周期和面积组合下进行逻辑综合和物理设计，各个设计的时钟周期选择如表2所示。通过选择不同初始利用率实现设计面积调整，本文选择的初始利用率分别为0.5、0.6、0.7。

表2　时钟周期选择 单位：ns

初始布线完成后，在P&R工具中对各个节点提取表3中的参数作为预测模型特征；然后，采用寄生参数提取工具提取每条net的寄生电容、寄生电阻作为标签；最终，获得2 026 493个数据样本。

表3　输入特性符号及描述

3　寄生电容、寄生电阻预测模型训练及测试

将数据集随机划分为训练集和测试集，分别占整个数据集的70%和30%。利用训练集数据，基于Lasso线性回归、BP神经网络和随机森林算法分别训练寄生电容预测模型、寄生电阻预测模型。其中，基于BP神经网络的寄生电容预测模型、寄生电阻预测模型的隐含层数量为1层，神经元个数为12个；基于随机森林算法的寄生电容预测模型、寄生电阻预测模型决策树数量分别为100棵、300棵。

测试集中，寄生电容预测模型、寄生电阻预测模型的绝对平均误差（mean absolute error, MAE）对比如表4所示。其中，P&R表示P&R工具和signoff工具间的寄生电容或寄生电阻的。

表4　不同算法预测模型测试结果对比

由表4可知，无论是寄生电容预测还是寄生电阻预测，随机森林算法的效果最好，寄生电容、寄生电阻的分别减少了约82.2%和92.1%。

4　时序校准验证结果

表5　寄生电容、寄生电阻预测结果

表6　时序结果对比

由表5可知，寄生电容预测模型、寄生电阻预测模型将寄生电容的减少了66.5%～77.7%、寄生电阻的减少了89.3%～94.2%。

由表6可知，经过时序预校准后，路径松弛的减少了66.3%～75.8%，在signoff阶段存在的时序违例也有明显减少。

5　结论

本文利用P&R工具可调寄生电容、寄生电阻提取缩放因子的特性，设计一种基于机器学习的快速时序校准方法。该方法可以在布线过程中完成时序校准，减少signoff阶段的时序违例数量，有效提高时序收敛效率，缩短芯片开发周期、减少设计成本。

[1] ALLAN A, EDENFELD D, JOYNER W H, et al. 2001 technology roadmap for semiconductors[J]. Computer, 2002, 35(1):42-53.

[2] KAHNG A B, SMITH G. A new design cost model for the 2001 ITRS[C]//Proceedings International Symposium on Quality Electronic Design. IEEE, Los Alamitos: IEEE Computer Society Press, 2002:190-193.

[3] HAN S S, KAHNG A B, NATH S, et al. A deep learning methodology to proliferate golden signoff timing[C]. 2014 Design, Automation & Test in Europe Conference & Exhibition (DATE). IEEE, 2014:1-6.

[4] 陈诗军,杜娟,林登萍,等.基于仿生学的人工智能方法论模型及架构评价体系[J].自动化与信息工程,2022,43(1):7-14.

[5] KAHNG A B. New directions for learning-based IC design tools and methodologies[C]. Proceedings of the 2018 23rd Asia and South Pacific Design Automation Conference. New York: ACM Press, 2018:405-410.

[6]KAHNG A B, LUO M, NATH S. SI for free: machine learning of interconnect coupling delay and transition effects[C]//2015 ACM/IEEE International Workshop on System Level Inter-connect Prediction (SLIP). IEEE, 2015:1-8.

[7] KAHNG A B, MALLAPPA U, SAUL L. Using machine learning to predict path-based slack from graph-based timing analysis[C]//2018 IEEE 36th International Conference on Com-puter Design (ICCD). IEEE Computer Society, 2018:603-612.

[8] 张书政,赵振宇,冯超超.机器学习驱动的多CornerSTA加速方法[J].计算机与数字工程,2019,47(11):2714-2717.

[9] BARBOZA E C, SHUKLA N, CHEN Y, et al. Machine learning-based pre-routing timing prediction with reduced pessimism[C]//2019 56th ACM/IEEE Design Automation Conference (DAC). IEEE, 2019:1-6.

[10] CORNO F, REORDA M S, SQUILLERO G. RT-level ITC'99 benchmarks and first ATPG results[J]. IEEE Design & Test of Computers, 2000,17(3):44-53.

Fast Time Calibration Method Based on Machine Learning

HE Baisheng1ZHAN Ruidian2

(1.School of Integrated Circuits, Guangdong University of Technology, Guangzhou 510006, China 2.ChipEyes Microelectronics Co., Ltd. Foshan 528225, China）

A fast timing calibration method based on machine learning is proposed to solve the problems of multiple iterations and difficult timing convergence caused by the difference of timing analysis between the layout and routing tool and the timing signature tool. First, based on the 55 nm process, data samples were collected by open source design; Then, Lasso linear regression, BP neural network and random forest algorithm are respectively used to complete the training, testing and comparison of parasitic parameter prediction models; Finally, the timing calibration effect of this method is verified by experiments. The experimental results show that this method can reduce the time sequence analysis difference between the layout and routing tool and the time sequence signature tool.

chip physical design; static time sequence analysis; machine learning; parasitic parameter prediction; timing calibration

TG156

A

1674-2605(2022)04-0007-05

10.3969/j.issn.1674-2605.2022.04.007

广东省科技攻关计划项目（2019B010140002）

何柏声,詹瑞典.基于机器学习的快速时序校准方法[J].自动化与信息工程,2022,43(4):32-35,47.

HE Baisheng, ZHAN Ruidian. Fast time calibration method based on machine learning[J]. Automation & Information Engineering, 2022,43(4):32-35,47.

何柏声（通信作者），男，1996年生，硕士，主要研究方向：芯片物理设计。E-mail: 675227394@qq.com

詹瑞典，男，1991年生，硕士，工程师，主要研究方向：信息安全芯片设计。