Consolidating ML-driven Early IR-drop Mitigation for Fast and Reliable IR-drop Closure = 빠르고 신뢰성 있는 IR-drop 수렴을 위한 머신러닝 기반 초기 IR-drop 완화 연구

국문 초록 (Abstract)

이 연구에서는 ML(머신러닝) 기반의 초기(pre-layout) IR-drop 완화 방법론을 새롭게 제안하며, 이는 post-layout 단계에서 빠르고 신뢰성 있는 IR-drop 수렴(convergence)을 달성하기 위한 것이다. 본 방법론은 기존 IR-drop 완화 플로우가 충분히 효과적으로 다루지 못했던 두 가지 핵심 문제, 즉 (1) 견고한 전력 공급 네트워크(PDN)를 위해 과도하게 금속 자원을 사용하는 부담을 어떻게 줄일 것인가와 (2) 레이아웃 시뮬레이션 및 그에 따른 점진적 IR-drop 완화 과정이 매우 느리게 반복되는 post-layout 최적화 단계에서 반복 횟수를 어떻게 줄일 것인가를 해결하는 데 초점을 맞춘다. 정확하고 신뢰성 있는 초기 IR-drop 완화를 위해 우리는 두 가지 핵심 구성요소를 설계하였는데, 첫째는 IR-drop 원인에 대한 포괄적 분석을 기반으로 한 global placement 단계의 IR-drop 비용 함수(IR-drop cost formulation)이며, 둘째는 placement 단계에서 post-layout IR-drop을 예측하기 위한 GNN(Graph Neural Network) 기반 예측 모델이다. 벤치마크 회로를 이용한 실험 결과, 제안된 초기 IR-drop 완화 방법은 기존 상용 IR-drop 완화 플로우에 비해 IR-drop 위반을 평균 25.7% 감소시키고 최대 동적 전압 강하(Worst DVD, Dynamic Voltage Drop)를 평균 7.1% 개선시키며, 칩의 PPA(Power, Performance, Area) 측면에서도 동등하거나 더 나은 결과를 유지함을 보였다.

다국어 초록 (Multilingual Abstract)

This work proposes a new methodology of ML (machine-learning) driven early i.e., pre-layout IR-drop mitigation to make a fast and reliable IR-drop convergence at
post-layout. Our methodology is intended to facilitate two important issues that the conventional IR-drop mitigation flow has not fully and effectively taken into account. Those issues are (1) how we can relieve the burden of excessive use of metal resources for robust power delivery network (PDN) and (2) how we can reduce the iteration count of the very slow process of layout simulation followed by incremental IR-drop mitigation at the post-layout optimization stage. Precisely, to make our early IR-drop mitigation method accurate and reliable, we devise two core components: (1) IR-drop cost formulation to be used at the global placement through comprehensive analysis of the sources of IR-drop and (2) post-layout IR-drop prediction at placement by developing GNN (graph neural network) based prediction model. Through experiments with benchmark circuits, it is shown that using our early IR-drop mitigation method is able to reduce IR-drop violations by 25.7% on average and Worst DVD (Dynamic Voltage Drop) by 7.1% on average while maintaining the same or even better chip PPA over that produced by the conventional commercial IR-drop mitigation flow.

목차 (Table of Contents)

• Abstract i
• Contents ii
• List of Tables iv
• List of Figures v
• 1 Consolidating ML-driven Early IR-drop Mitigation for Fast and Reliable IR-drop Closure 1
• 1.1 Introduction 1
• 1.2 Motivation and Overall Framework 3
• 1.3 IR-drop Cost Formulation 6
• 1.3.1 Sources of IR-drop 6
• 1.3.2 Cost Function Formulation for Mitigating IR-drop 9
• 1.4 GNN-based Power Prediction Model 13
• 1.4.1 Model Architecture 13
• 1.4.2 Integrating our GNN Prediction Model into Placement Optimization Engine 14
• 1.5 Experimental Results 15
• 1.5.1 Assessment on Accuracy of Power Prediction 17
• 1.5.2 Assessment on Effectiveness of IR-drop Mitigation 18
• 1.6 Conclusion 20
• Abstract (In Korean) 27