Toward Reinforcement Learning-based Rectilinear Macro Placement Under Human Constraints
作者: Tuyen P. Le, Hieu T. Nguyen, Seungyeol Baek, Taeyoun Kim, Jungwoo Lee, Seongjung Kim, Hyunjin Kim, Misu Jung, Daehoon Kim, Seokyong Lee, Daewoo Choi
分类: cs.LG, cs.AI, cs.AR, cs.HC
发布日期: 2023-11-03
备注: Fast ML for Science @ ICCAD 2023
💡 一句话要点
提出基于强化学习的宏单元布局方法以应对人类约束
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 宏单元布局 强化学习 电路设计 自动化设计 人类设计约束
📋 核心要点
- 现有的宏单元布局方法在处理复杂设计约束时面临挑战，特别是人类设计师的设计层次和边缘偏好。
- 本文提出了一种基于强化学习的宏布局方法，利用G-CT的思路，旨在自动化布局过程并遵循人类设计原则。
- 实验结果显示，该方法在PPA指标上取得了显著提升，布局质量与人工设计相当，展示了其广泛的适用性。
📝 摘要（中文）
宏单元布局是芯片设计中的关键阶段，涉及一般直线宏和布局区域时变得更加复杂。本文提出了一种方法，利用谷歌电路训练（G-CT）所建议的思路，开发出一种学习型宏布局器，能够支持直线布局并遵循重要的人类设计原则。实验结果表明，该框架在功耗-性能-面积（PPA）指标上表现出色，获得的布局质量与人工干预相当。此外，该方法显示出作为通用模型的潜力，能够处理多种宏形状和布局区域。
🔬 方法详解
问题定义：本文旨在解决宏单元布局中人类设计约束的复杂性，现有方法在处理这些约束时效率低下，导致设计质量和效率的下降。
核心思路：论文的核心思路是利用强化学习技术，结合G-CT方法，开发出一种能够自动化处理直线宏布局的系统，同时遵循人类设计的基本原则，以减少人工干预。
技术框架：整体架构包括数据预处理、模型训练和布局生成三个主要模块。首先，通过收集和标注设计数据进行预处理；然后，利用强化学习算法训练模型；最后，生成符合设计约束的宏布局。
关键创新：最重要的技术创新在于将强化学习与人类设计约束相结合，使得布局器不仅能自动生成布局，还能遵循设计师的偏好和层次结构，这在现有方法中是缺乏的。
关键设计：在模型设计中，采用了特定的损失函数来平衡布局质量与设计约束，网络结构则基于深度学习框架，确保能够有效学习复杂的布局模式。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的方法在PPA指标上优于传统布局方法，布局质量与人工设计相当，显示出在处理复杂设计约束方面的显著优势，具体提升幅度未知。
🎯 应用场景
该研究的潜在应用领域包括集成电路设计、电子设备制造等，能够显著提高设计效率，减少人工干预，降低设计成本。未来，该方法还可扩展至其他类型的布局问题，推动自动化设计的发展。
📄 摘要（原文）
Macro placement is a critical phase in chip design, which becomes more intricate when involving general rectilinear macros and layout areas. Furthermore, macro placement that incorporates human-like constraints, such as design hierarchy and peripheral bias, has the potential to significantly reduce the amount of additional manual labor required from designers. This study proposes a methodology that leverages an approach suggested by Google's Circuit Training (G-CT) to provide a learning-based macro placer that not only supports placing rectilinear cases, but also adheres to crucial human-like design principles. Our experimental results demonstrate the effectiveness of our framework in achieving power-performance-area (PPA) metrics and in obtaining placements of high quality, comparable to those produced with human intervention. Additionally, our methodology shows potential as a generalized model to address diverse macro shapes and layout areas.