HiFuseUnet : hierarchical multi-scale feature U-Net for static IR drop prediction

다국어 초록 (Multilingual Abstract)

Static IR drop prediction is crucial for power integrity, which is an important metric for ensuring product reliability and performance. However, since conventional methods of IR drop analysis are time-consuming, it has become essential to achieve fast and accurate IR drop estimation. In this paper, we propose HiFuseUnet, a hybrid U-Net for static IR drop prediction. The proposed model employs hierarchical feature fusion (HFF) in the encoder and multi-scale blocks in the decoder, thereby effectively integrating local information and global context information. Furthermore, we propose PDN-based features to reflect the physical characteristics of the power delivery network (PDN) to improve the accuracy of the model. Experimental results on the benchmark dataset demonstrate that the proposed model achieves better performance than previous methods, improving MAE by 43% over IREDGe, 25% over Swin-Unet, and 34% over MAUnet. Additionally, the model shows superior performance in hotspot prediction at different scales. Compared to commercial tools that take several hours to obtain results, the proposed model is more efficient as it predicts IR drop in less than 1.0 seconds.

국문 초록 (Abstract)

정적 전압 강하 예측은 제품의 신뢰성과 성능을 보장하기 위한 전력 무결성(Power Integrity) 분석에서 핵심적인 요소이다. 그러나 기존의 전압 강하 해석 방법은 시간이 많이 소요되므로, 빠르고 정확한 예측 기법의 필요성이 대두되고 있다.
본 논문에서는 정적 전압 강하 예측을 위해서 HiFuseUnet이라 하는 하이브리드 U-Net 구조를 제안한다. HiFuueUnet은 인코더에 계층적 특성 융합(Hierarchical Feature Fusion, HFF)구조를 적용하고, 디코더에는 멀티 스케일 블록(Multi-Scale Block)을 적용하여 지역 정보와 전역 정보를 효과적으로 통합한다. 또한, 전력 공급망(Power Delivery Network, PDN)의 물리적 특성을 반영하기 위해서, PDN 기반 특성을 모델의 입력으로 도입하여 예측 정확도를 향상시킨다.
이 연구에서는 벤치마크 데이터셋으로 HiFuseUnet을 포함한 네 가지 머신러닝 모델의 성능을 비교한다. HiFuseUnet은 IREDGe 대비 43%, Swin-Unet 대비 25%, MAUnet 대비 34% 평균 절대 오차(MAE)를 개선했다. 그리고 전압 강하 예측에서 중요 지표인 Hotspot 예측에서도 기존 모델 대비 높은 정확도를 보였다. 정적 전압 강하 해석 시간도 다양한 칩 크기에서 1.0초 미만으로 단축되어, 기존 방법의 시간적 한계를 효과적으로 극복한다. 이러한 혁신적인 접근 방식은 정적 전압 강하 분석의 효율성과 정확도를 동시에 향상시켜, 반도체 전력 무결성 분석에 기여한다.

목차 (Table of Contents)

• 1. Introduction 1
• 2. Background 7
• 2.1. Dataset and problem definition 7
• 2.2. Power delivery network and IR Drop 8
• 2.3. U-Net architecture and attention mechanism 9
• 3. PDN Based Feature Maps 12
• 4. Proposed model 15
• 4.1. Overview of the proposed model architecture 15
• 4.2. Global feature block and local feature block 16
• 5. Training 20
• 6. Experimental results 26
• 6.1. Evaluation Metrics 26
• 6.2. Experimental results 27
• 6.3. Ablation study 33
• 7. Conclusion 37
• References 39
• Korean Abstract 43