英伟达使用人工智能来提升 5nm 和 3nm 的自动化布局

英伟达使用强化学习和其他类型的人工智能来促进其标准单元在 5nm 和 3nm 先进工艺节点中的自动化布局。1xAednc

在 12 月设计自动化会议论文的预印本中，Mark Ren、Matt Fojtik 和 Brucek Khailany 的团队开发了一种名为 NVCell 的自动标准单元布局生成器，可以为 92% 的单个单元生成相同或更小面积的布局。先进技术节点上行业标准单元库中的行单元。1xAednc

由于复杂的设计规则，先进技术节点中的高质量标准单元布局自动化在当今的行业中仍然具有挑战性。强化学习 (RL) 用于解决布线过程中的设计规则违规问题，并提高单元放置的效率，从而使芯片更小，节省成本并提高性能。1xAednc

研究人员使用基于模拟退火的算法进行设备放置和引脚分配，该算法同时执行设备配对和放置以找到高质量的放置。1xAednc

基于 RL 的布局算法加快了使用模拟退火的布局。这能够在训练后测试的 84% 的单元上产生与基于模拟退火的布局器相同的布局质量。这与基于 RL 的方法相结合，以在给定标准单元上的现有路由的情况下修复 DRC 错误。在一个标准单元上训练，该模型可转移到 Nvidia 库中的所有标准单元1xAednc

基于机器学习的可布线性预测器有助于预测给定布局的可布线性，从而在额外 9.5% 的单元上生成具有竞争力的布局。1xAednc

路由流使用遗传算法来寻找最小路由并优化 DRC 错误。与基于 RL 的 DRC 固定器一起，它发现了可布线的 DRC 清洁单元布局，与专家布局工程师找到的最佳布局相比，宽度更小1xAednc

美妙之处在于，放置的标准单元越多，算法的性能就越好，因为模型可以在每个单元上进一步重新训练以改善结果。凭借 5nm 和 3nm 设计中的数百万个标准单元，这将迅速提高芯片布局的质量。1xAednc

当然，算法是在 Nvidia 的图形处理器单元上运行的，在这种情况下，训练是在 Nvidia V100 GPU 上进行的。1xAednc

责编：Demi1xAednc