设计应用

Innovus机器学习在高性能CPU设计中的应用

作者：边少鲜1，Micheal Feng1，David Yue1，栾晓琨1，蔡 准2，蒋剑锋1
发布日期：2020-08-21
来源：2020年电子技术应用第8期

0 引言

    摩尔定律揭示了集成电路的集成度和技术节点的飞速发展，这使得芯片设计的复杂度和数据量快速上升，尤其是芯片的物理设计更是涉及海量的数据和信息，且运行时间和设计周期漫长，迭代一次的时间和资源代价很大，这对设计师的经验与能力要求很高。机器学习如今在各个领域都有广泛的应用，其能学习数据规律建立模型从而快速推断结果[1]。如果能在物理设计中应用机器学习挖掘设计规律，且基于推断的求解来进行物理设计，可加速芯片设计。国内外很多学者在此方面有了成功的研究，包括PAN D Z等详细介绍的在物理设计中应用机器学习[2]。LI B使用机器学习由全局布线线预测详细布线结果[3]。TSMC在物理设计中应用机器学习的两款芯片分别可使频率提升40 MHz和减少20 000时钟门控单元等[4]。

    本文基于Cadence Innovus工具建立应用机器学习进行延时优化的物理设计流程，研究7 nm工艺下不同层金属的特性，设置三个实验组单元延时优化、线延时优化、单元和线延时同时优化与传统物理设计流程进行对比分析。同时将应用机器学习进行延时优化的物理设计流程应用到更大规模，设计复杂度更高的ARM架构的一款CPU设计中，均得到了很好地性能优化。最终确定了两款模块芯片均采用Innovus机器学习进行延时优化的物理设计流程。




本文详细内容请下载:http://www.chinaaet.com/resource/share/2000002945




作者信息:

边少鲜1，Micheal Feng1，David Yue1，栾晓琨1，蔡  准2，蒋剑锋1

(1.天津飞腾信息技术有限公司，湖南 长沙410000；2.上海楷登电子科技有限公司，上海201204)

此内容为AET网站原创，未经授权禁止转载。
机器学习 Innovus 芯片设计 物理设计

Copyright © 2005-2024 华北计算机系统工程研究所版权所有 京ICP备10017138号-2