Mit zunehmender Komplexität der Design-Regeln in modernen Prozessknoten wird das sogenannte Detailed Routing zu einem der größten Zeitfresser im physikalischen Chipentwurf. Klassische Router stoßen bei dicht gepackten Layouts häufig an ihre Grenzen und hinterlassen persistente Design-Rule-Violations, die anschließend manuell oder durch iterative Nachbearbeitung behoben werden müssen. Ein Team der New York University stellt nun einen Ansatz vor, der auf Offline-Reinforcement-Learning in Kombination mit LSTM-Netzwerken basiert, um genau diese hartnäckigen Verstöße gezielter zu adressieren.
History-Aware Lernansatz
Der Kerngedanke des Verfahrens besteht darin, dem RL-Agenten ein Gedächtnis für vergangene Routing-Entscheidungen zu geben. Durch die LSTM-Architektur kann das Modell Muster aus vorangegangenen Zuständen des Layouts berücksichtigen, statt jede Entscheidung isoliert zu treffen. Dieses history-aware Vorgehen soll helfen, wiederkehrende Konfliktmuster in dichten Bereichen frühzeitig zu erkennen und zu vermeiden, anstatt sie erst am Ende des Routing-Durchlaufs zu korrigieren.
Da das Training offline erfolgt, greift der Ansatz auf zuvor gesammelte Routing-Daten zurück, statt in Echtzeit mit einem laufenden EDA1. electronic design automationSoftwarewerkzeuge zur Entwicklung, Simulation, Verifikation und Layout-Erstellung elektronischer Schaltungen.2. equipment data acquisitionSystem beziehungsweise Verfahren zum Erfassen, Speichern, Austauschen oder Auswerten von Daten.-Tool zu interagieren. Das reduziert den Aufwand für aufwendige Simulationszyklen während des Trainings und macht die Methode potenziell leichter in bestehende Routing-Flows integrierbar, ohne dass ein Live-Feedback-Loop mit dem Router notwendig ist.
Die vorgestellten Ergebnisse deuten darauf hin, dass sich mit diesem Verfahren die Zahl verbleibender Regelverstöße in dicht bestückten Layoutregionen spürbar senken lässt. Für die EDA1. electronic design automationSoftwarewerkzeuge zur Entwicklung, Simulation, Verifikation und Layout-Erstellung elektronischer Schaltungen.2. equipment data acquisitionSystem beziehungsweise Verfahren zum Erfassen, Speichern, Austauschen oder Auswerten von Daten.-Branche ist das ein weiteres Beispiel dafür, wie lernbasierte Verfahren zunehmend in klassische, regelbasierte Optimierungsprobleme der Physical-Design-Pipeline vordringen und dort helfen könnten, manuelle Nacharbeit und Iterationszyklen zu reduzieren.