[4]PowerNet: Transferable Dynamic IR Drop Estimation via Maximum Convolutional Neural Network论文翻译

[4]PowerNet: Transferable Dynamic IR Drop Estimation via Maximum Convolutional Neural Network论文翻译

摘要

​ IR drop是几乎所有芯片设计所需的基本约束。然而，其评估通常需要很长时间，这妨碍了修复其违规行为的缓解技术。在这项工作中，我们开发了一种基于卷积神经网络(CNN)的快速动态IR drop估计技术，称为PowerNet。它可以处理基于矢量和无矢量的IR分析。此外，所提出的CNN模型具有通用性，可适用于不同的设计。这与大多数现有的机器学习(ML)方法形成对比，其中模型仅适用于特定的设计。实验结果表明，对于具有挑战性的无矢量IR drop情况，PowerNet的准确率比最新的ML方法高出9%，与精确的IR drop商用工具相比，其速度提高了30倍。此外，由PowerNet指导的缓解工具在两种工业设计中分别减少了26%和31%的IR drop hotspots，对其电网进行了非常有限的修改

1.INTRODUCTION

​ 动态IR drop降是由局部功率需求和开关模式引起的电源电平偏离其规格。为了使电路满足其定时目标并正常工作，必须对其进行限制。因此，验证IR drop是否满足设计约束并识别约束违反区域(即hotspots.)是至关重要的。随着芯片复杂性的不断增长，IR drop评估变得越来越具有挑战性 。

​ 在工业设计中，动态IR drop估计通常是通过运行基于仿真的商业工具来获得的，众所周知，这种方法是准确的，但非常耗时。为了实现更快的估计，已经探索了基于机器学习(ML)的方法。表1总结了许多这些先前的工作。这些工作学习通过诸如cell position，定时窗口，路径阻力等特征来预测每个细胞的动态IR drop，并使用监督机器学习技术。

​ 大多数之前的作品的一个主要缺点是它们不是“设计独立的”。“设计独立的“是说，可以转移到训练数据集中没有出现过的新设计。换句话说，这些以前的工作大多需要为每个不同的设计训练一个新的模型。一些工作[1]甚至为每个单元格指定一个模型。使用新标签训练新模型需要较长的仿真和训练时间，这违背了快速估计的初衷。唯一的例外是[2]，它基于无监督学习，不学习任何先前的知识。

​ 此外，大多数先前的机器学习方法仅关注基于向量的分析，而忽略了无向量的IR drop。对于动态IR drop，设计中的峰值IR drop可以使用无矢量分析或使用来自值变化转储(VCD)文件的模拟模式进行基于矢量的分析。由于两个主要原因，在物理设计期间，无矢量IR drop分析非常适合IR缓解。首先，对于一个大的芯片，基于矢量的IR drop分析需要大量的模拟模式来覆盖大部分区域，因此速度慢得令人难以忍受。其次，设计人员无法在设计过程的早期获得准确的功率模拟模式。对于大型工业设计，多个团队并行地在不同的RTL单元上工作，并且在整个设计过程中，整个模拟模式都会发生变化。在这种情况下，无矢量IR drop提供了更快和更早的估计，然而，由于开关活动分布的多样性增加，准确的估计比基于矢量的更难。我们将在第V-E节中演示基于矢量和无矢量IR drop分析之间的精度差异

​ 我们基于cnn的方法PowerNet为无矢量和基于矢量的IR drop估计提供了一个可转移的ML模型。考虑到无矢量估计的难度和可用性，我们在实验中更加重视无矢量估计。PowerNet通过其创新的预处理功能和CNN架构解决了这些挑战。在之前的工作[5]中，每个单元格的坐标和时间信息等与设计相关的特征被直接输入到ML模型中。由于位置和时间不会直接导致IR下降，因此直接基于这些特征拟合模型可能会引入过拟合问题，使模型在未见过的设计上不准确。相反，设计相关的信息应该在输入到ML模型之前进行预处理，以与IR drop相关联。众所周知，IR drop与电池功耗直接相关。因此，PowerNet在预处理过程中仔细地将这些与设计相关的功能纳入功率图中。它还利用创新的CNN架构来捕获最大的瞬态IR drop。我们工作的主要贡献包括:

• 我们提出了PowerNet，一种创新的CNN方法，它同时针对无矢量和基于矢量的IR drop估计。这是第一个声称可以执行独立于设计的快速IR drop估计的方法
• 对于无矢量和基于矢量的IR drop估计的实验，PowerNet在每个测试的工业设计上都优于所有其他ML方法。特别是对于无矢量预测，PowerNet的准确率提高了9%。
• PowerNet比基于精确仿真的商用IR drop分析工具快30倍。
• PowerNet指导的IR drop缓解工具在两种新的工业设计中减少了26%和31%的IR drop热点，对电网进行了非常有限的修改。
• 通过两个具有代表性的实例，详细分析了PowerNet的工作原理。

2.PROBLEM FORMULA TION

​ 这项工作的目的是检测IR drop热点的位置。热点是指IR drop大于指定阈值的区域。为了估计IR drop，每个设计都被镶嵌成一个tile数组，每个tile都是一个$l\times l$正方形。tile大小$l$控制我们的解决方案的粒度。这样，尺寸为$W\times H$的设计用$W\times H$矩阵表示，其中$W=W/l,H=H/l$。每个tile的IR drop值是其中所有单元的IR drop值的平均值。则整个设计的IR drop为$IR\in R^{w\times h}$。在本文中，ground-truth IR也被称为标签。对于输入特征，每个tile计算不同类型的功耗值。我们将每个$w\times h$功率矩阵称为功率图。本质上，功率图是功率密度的分布。PowerNet F试图基于所有G个不同的功率映射{ $P_{map1}\dots P_{mapG}$} 给出最接近的估计 $F^{\ast }$。

3.ALGORITHM

A.Feature Extraction特征提取

​ 根据欧姆定律，大电流或高电阻都可能导致IR下降过大。在最先进的VLSI设计中，我们假设电力输送网络(PDN)中的电网是均匀的，这意味着整个设计中的电阻分布也相当均匀。因此，在PowerNet中，我们选择不花费额外的时间计算每个单元的电阻。对于非均匀PDN的设计，每个单元的功率值可以通过其电阻进行缩放。阻力的影响在V-D节进一步阐述。当电阻被认为是一致的，电流成为唯一的关键问题，在红外降估计。由于本地功耗与本地电流成正比，因此PowerNet利用电池功率作为其输入特性。

​ 对于每个单元c，我们没有穷尽所有可能的相关特征，这使得模型过于复杂和过拟合。相反，我们选择那些被证明为IR下降估计提供必要信息的特征。不包括硬宏。下面是所有特征的详细信息以及从中提取的标签

• 功率:提取三种类型的功率值。

  -内部功率(pi)

  -开关功率(ps)

  -泄漏功率(pl)

• 信号到达时间:在一个时钟周期内信号到达cell的最小和最大时间。

-最小到达时间(tmin)

-最大到达时间(tmax)

• 坐标:单元格放置后的位置。

  -最小和最大x轴(xmin, xmax)

  -最小和最大y轴(ymin, ymax)

• 切换率:描述相对于给定时钟输入，输出变化的频率。

  -比率(rtog)

• IR drop:标称电源电压与到达每个cell的实际电压之间的差值。(ir)

以上所有特征都是标量值。对于这些功率类型，内部功率$p_i$表示每个电池内部电容耗散的功率;开关功率$p_s$是由电池输出端的负载电容耗散的功率;泄漏功率$p_l$，在实验中相对较小，被无意的泄漏所消耗，对功能没有贡献。基于这些基本的功率类型，我们可以为每个单元生成更多的功率信息

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ATmR1HiS-1682331652488)(img/1682330554842.png)]

$p_{sca}$和$p_{all}$都反映了单元耗散的总功率，但$p_{sca}$根据每个单元的切换速率缩放总功率。PowerNet学会了将这些不同的功耗来源的总功率结合起来

B.Preprocessing by Decomposition分解预处理

​ 在功率被提取后，在每个cell上看到的IR drop不仅仅是简单地与它自己的cell功率成正比，而且还取决于它的邻居，由于空间和时间的电流分布。在空间上，局部电流与局部区域内所有cell的功率需求之和成正比。因此，邻近cell的功率也有助于分析cell的IR drop。我们通过空间分解将cell能量平摊成网格块。这也促使我们在PowerNet中采用CNN模型，该模型天生就是为学习可扩展的二维模式而设计的。即使考虑空间信息，总功率需求高的区域仍可能不是IR drop热点。当该区域的cell没有同时切换时，就会出现这种情况。这种异步开关将电压降分散到更大的定时窗口中。因此，最大动态IR drop，即最高瞬态电压降，仍然可以很低。PowerNet在预处理过程中通过时间分解来测量这种影响。

​ 算法1给出了我们的预处理方法。它根据细胞信息生成能量图。对于每种设计，生成两种类型的功率图。第一种类型包括{ $P_i,P_s,P_{sca},P_{all}$}。它们只经过空间分解，不携带时间信息。第二类{ $P_t[j]\in R^{w\times h}|j\in [1,N]$}既经过空间分解，又经过时间分解。

如图1所示，空间分解(第7至14行)将单元的功率分摊到单元占用的任何网格块中。假设规则正方形是网格块，灰色矩形是单元格。P1 ~ P5为细胞功率。对于最左边突出显示的贴图，它的功率等于P1 + P2 + P3 + P4/3 + P5/2。功率为P4的长cell仅将其功率贡献给高亮显示的tile的三分之一，因为它总共与三个tile重叠。类似地，在第7行到第14行中，每个单元格贡献p/s，其中s是重叠块的数量。

第15到17行执行时间分解。每个功率映射Pt[j]对应于一个时间瞬间j∗t。对于j∗t的每个cell，只有当j∗t落在其信号到达时间[tmin, tmax]之间时，它才为相应的功率映射Pt[j]贡献功率。换句话说，只考虑那些可能在那一刻切换的cell。图2演示了该机制。垂直虚线表示从1 * t到j * t的时间间隔，横线表示cell的信号到达时间间隔。在本例中，只有单元格1和3被Pt[j]计算,没有单元格被Pt[1]计算。

C. PowerNet Model

算法2展示了PowerNet F如何使用其CNN模型$f$处理功率图。对于每个训练epoch，它迭代训练设计中的每个tile (x, y)。对于每个tile，它通过GETINPUT函数从所有相关的w × h功率映射中裁剪出周围的k × k个输入窗口。

​ 如第11 ~ 12行和图3所示，对于所有N个时间分解的功率图{ $Pt[j]\in R^{w\times h}|j\in [1,N]$}，它们与其他所有常见的功率图$P_i,P_s,P_{sca},P_{all}$一起，由同一个CNN模型分别处理。因此，在第2行中，CNN的输入为{ $P_i,P_s,P_{sca},P_{all},P_t[j]$}。总共有N个CNN输出{ $o_j|j\in [1,N]$}。则最大输出omax = Max({ $o_j|j\in [1,N]$})为所分析tile的预测结果。这个最大结构突出了导致IR drop峰值的唯一瞬间。它引导CNN学习这种模式。

PowerNet中CNN模型的详细情况如图4所示。有四个卷积层，两个池化层和两个完全连接层。卷积核的大小在括号中给出。每个张量下的C给出了每个卷积层中定义的核的数量。这个CNN结构和像N、k这样的超参数是根据交叉验证期间的性能进行调整的。选择更大的输入k，更多的层或核会降低模型泛化并减慢预测速度，而更简单的结构会对数据进行不充分拟合。采用批归一化(Batch normalization, BN)[6]加速模型收敛。采用Adam方法[7]进行优化。我们采用预测与标签之间的平均绝对误差(L1损失)作为损失函数