AiTPO：KAN-UNet异构网络用于全局路由中的时序预测与优化

《ACM Transactions on Design Automation of Electronic Systems》：AiTPO: KAN-UNet Heterogeneous Network for Timing Prediction and Optimization at Global Routing

集成电路设计中的全局路由阶段存在动态时序预测精度不足的问题，导致后续优化效果差。本文提出AiTPO框架，采用KAN-UNet异构模型融合UNet的时空特征与KAN网络的数值特征，实现28nm工艺节点下34.6%的MAE和25.4%的MaxAE预测精度提升。结合基于预测时序的关键网优先路由策略和增强A*算法的拓扑优化策略，使总负时序（TNS）和最差负时序（WNS）分别提升2.0%和4.2%。

　　

摘要

在集成电路设计中，路由是实现时序闭合的关键步骤。由于详细路由（DR）过程耗时较长、缺乏准确的路由信息以及全局路由（GR）期间拥堵的影响，在全局路由阶段快速获得精确的时序信息以指导后续的时序优化是一个重大挑战。这些挑战导致GR阶段估计的时序与DR后的实际结果之间存在显著差异，从而使得对芯片性能的评估不准确。为了解决这个问题，我们提出了一个有效的时序预测和优化框架AiTPO。创新的KAN-UNet异构时序预测模型有效地结合了UNet和KAN网络。通过将UNet提取的空间特征与数值数据融合，该模型能够学习多模态数据之间的复杂关系，从而提高其鲁棒性和准确性。此外，在全局路由过程中，我们引入了两种时序优化策略来提升时序性能。第一种策略是根据预测的显著延迟网对网进行排序，优先处理时序更为关键的网，以减少拥堵造成的绕行。第二种策略利用时序估计从增强的A*算法生成的多个候选拓扑中选择最优方案，其中拥堵被视为一个成本因素。这两种策略有助于优化最差负松弛（WNS）和总负松弛（TNS）。在28nm工艺节点的真实电路上的实验结果表明，与基于GR的估计方法相比，所提出的KAN-UNet模型在平均绝对误差（MAE）和最大绝对误差（MaxAE）方面的线延迟预测准确性分别提高了34.6%和25.4%，并且我们的时序优化策略分别使TNS和WNS提高了2.0%和4.2%。