用于预测静态红外降温和芯片可路由性的增强型TransUNet框架

《ACM Transactions on Design Automation of Electronic Systems》：Enhanced TransUNet Framework for Predicting Static IR Drop and Chip Routability

静态IR下降与PDN拥堵预测采用图像分类框架，通过小波变换和Transformer实现多尺度特征融合，在CircuitNet数据集上MAE降至0.374mV，最大误差率18.7%，相比SOTA降低77.4%和79.2%，拥堵预测NRMSE降低65.3%且SSIM提升18.4%。

　　

摘要

随着半导体工艺的进步，电源分配网络（PDN）对从焊盘到芯片单元的电力供应影响日益显著。标准芯片中的显著热阻降（IR drop）可能导致时序违规，而次优的PDN拓扑结构则可能导致拥堵加剧。这些因素共同降低了芯片的整体性能和可靠性。为了加速设计迭代，准确高效地预测分布不均的热阻降和拥堵，尤其是在热点区域，已成为一个关键挑战。本文提出了一种基于改进的TransUNet的框架，用于进行考虑分布的静态热阻降和拥堵预测，将这两个问题视为独立但相关的图像预测任务。这种抽象方法保留了原始物理布局上的热阻降和拥堵分布模式，并能够识别局部热点。我们的框架利用图像分类技术将热阻降预测建模为空间模式识别任务，有效处理了不同区域的长尾分布问题。为了提高热点区域的预测精度，我们结合了小波变换和基于变压器的分析方法以实现多尺度特征融合。在开源的CircuitNet数据集上，我们的方法预测的静态热阻降平均绝对误差（MAE）为0.374 mV，最大误差率（Err_m）为18.7%，与现有最先进方法相比，MAE和Err_m分别降低了77.4%和79.2%，且所有计算均在100毫秒内完成。在拥堵预测方面，我们的方法相对现有最佳方法，NRMSE得分降低了65.3%，SSIM得分提高了18.4%。我们的方法在热阻降和拥堵预测任务中都能准确可靠地处理长尾分布和局部热点问题。