Algorithm selection framework for legalization using deep convolutional neural networks

Abstract

Modelos de machine learning tem sido usados para melhorar a qualidade de diferentes etapas da síntese física de circuitos integrados, tais como análise de timing, síntese da árvore de relógio e roteamento. No entanto, poucos trabalhos tem abordado o problema de seleção de algoritmos durante a síntese física, o qual pode reduzir drasticamente o esforço computacional de algumas etapas. Este trabalho propõe um framework para seleção de algoritmos usando redes neurais convolucionais profundas. Para extrair features, foram utilizadas imagens de posicionamentos de circuitos simulando três etapas diferentes do fluxo de síntese física. Após, os modelos foram treinados aplicando-se aprendizado por transferência, usando pesos pré-treinados da arquitetura Squeezenet. O uso de aprendizado por transferência reduz significativamente o tempo de treinamento e a quantidade de dados necessários, mesmo quando a rede tenha sido pré-treinada para uma aplica- ção diferente. Uma extensa análise experimental de modelos de machine learning foi realizada, provendo detalhes sobre o de como os parâmetros do modelo foram escolhidos, incluindo a definição da arquitetura da rede neural convolucional, o tamanho das imagens, o fator de aprendizado e o número de épocas. O framework proposto foi avaliado treinando-se um modelo para selecionar entre diferentes algoritmos de legalização de acordo com duas métricas, deslocamento de células e variação do comprimento de interconexões, e considerando três cenários distintos de movimentação de células. Os modelos treinados atingiram F-score entre 0,90 e 1,00 para deslocamento de células e entre 0,81 e 0,97 para comprimento de interconexões, demonstrando precisão mesmo na presença de dados desbalanceados. Os modelos treinados também foram superiores a um modelo não convolucional para ambas métricas consideradas. Os modelos convolucionais treinados foram utilizados para construir uma técnica para seleção de algoritmo de legalização. Quando integrado a um fluxo de síntese física, o seletor de algoritmo proposto atingiu o melhor resultado na maioria dos circuitos testados, sendo melhor que qualquer algoritmo, individualmente. Mesmo quando o seletor proposto não atinge o melhor resultado, seu resultado ainda é apenas 7% pior, no máximo, mostrando que ele pode ser utilizado sem comprometer a qualidade do fluxo de síntese física. Finalmente, observa-se que o uso do modelo de machine learning proposto acelerou o processo de seleção de algoritmos em até 10x quando comparado a executar os algoritmos separadamente.

Abstract: Machine learning models have been used to improve the quality of different physical design steps, such as timing analysis, clock tree synthesis, and routing. However, very few works have addressed the problem of algorithm selection during physical design. Algorithm selection can drastically reduce the computational effort of some steps. This work proposes a legalization algorithm selection framework using deep convolutional neural networks. To extract the features, snapshots of circuit placements simulating three different stages of the physical design flow were used. Then, the models were trained using transfer learning, relying on pre-trained weights of the Squeezenet architecture.The adoption of transfer learning results in significant reduction in training time and required data even though the pre-trained weights come from a different problem. An extensive experimental analysis of machine learning models was performed, providing details on how the model parameters were chosen, including the convolutional neural network architecture definition, size of the images, the learning rate, and the number of epochs. The proposed framework was evaluated by training a model to select between different legalization algorithms according to two metrics, cell displacement and wirelength variation, and considering three different cell movement scenarios. The trained models achieved F-scores ranging from 0.90 to 1.00 when predicting cell displacement and ranging from 0.81 to 0.97 for wirelength variation, showing that the model was accurate even in the presence of unbalanced data. Also, the trained models outperform a non-convolutional model for both target metrics. The proposed convolutional neural network models were used to build a legalizaiton algorithm selector. When integrated into the physical design flow, the proposed algorithm selector achieved the best results for the majority of the circuits, being better than any individual legalization algorithm. Even when it does not reach the best results, it leads to results that are at most 7% worse than the best ones, showing that the model can be used as an accurate selector without compromising the flow quality. Finally, using the proposed machine learning model for algorithm selection resulted in a speedup of up to 10x compared to running all the algorithms separately.