基于改进图同构网络的模拟集成电路版图后性能预测模型

《Chinese Journal of Electronics》:An Improved Graph Isomorphism Network Model for Analog Integrated Circuit Placement Performance Prediction

【字体: 大 中 小 】 时间:2026年04月16日 来源:Chinese Journal of Electronics 3

编辑推荐:

  在模拟集成电路设计中,版图布局是决定最终电路性能的关键步骤。传统方法依赖耗时的后仿流程,效率低下。为解决此问题,研究人员提出了一种改进的图同构网络模型,通过边特征拼接和自适应加权损失调整,实现了对多种运算跨导放大器电路后版图性能的快速精准预测。实验结果表明,该模型显著优于基准模型,为迭代优化提供了高效的评估工具,有望加速模拟IC的设计流程。

  
在模拟集成电路(Analog Integrated Circuits, ICs)的宏伟世界里,芯片的设计犹如在微米尺度上构建一座精密的城市。其中,布局(Placement)是决定这座“城市”功能与效率的核心规划阶段,它直接影响着电路的共模抑制比(Common-Mode Rejection Ratio, CMRR)、单位增益带宽(Unity Gain Bandwidth, UGBW)、相位裕度(Phase Margin, PM)等关键性能指标。然而,传统的自动化布局算法主要受几何约束驱动,往往需要通过反复迭代来优化电路性能,这一过程既耗时又费力。更棘手的是,评估一个布局方案的好坏并非易事——传统方法需要完成整个版图设计,经历设计规则检查(Design Rule Check, DRC)、版图与原理图对照(Layout Versus Schematic, LVS)、寄生参数提取和仿真等一整套繁琐流程。这就像为了测试一栋建筑的风阻,必须先把它完全建好再进行风洞实验,任何不满意之处都需要推倒重来,其效率之低可想而知。因此,业界迫切需要一种能够快速、准确评估布局质量的“先知”工具,以便在设计初期就能预见最终性能,从而指导优化算法,大幅加速设计进程。
近期,机器学习和人工智能的浪潮为这一难题带来了曙光。研究人员开始探索利用数据驱动的方法,绕过复杂的物理仿真,直接从布局配置预测电路的后版图性能。在众多机器学习模型中,图神经网络(Graph Neural Network, GNN)因其能天然地表征电路的拓扑结构而受到青睐。其中,图同构网络(Graph Isomorphism Network, GIN)凭借其强大的图结构判别和表示能力,在生物医学、社交网络等领域展现出卓越性能。然而,标准的GIN模型在应用于电路建模时存在局限:它忽略了连接器件之间的边(Edge)特征,并且依赖于静态的聚合机制,这导致其对电路拓扑-物理关系的表征不完整,预测精度下降。
为了攻克这些挑战,一项发表于《Chinese Journal of Electronics》的研究提出了一种改进的图同构网络模型,称为MGIN。该研究旨在直接建立从电路版图布局方案到后版图性能指标的映射,从而为自动化布局优化提供具体、可操作的指导。研究人员将任务构建为一个多任务回归问题:给定包含器件坐标、引脚位置等信息的布局方案,预测对应的多个后版图性能指标。
为了开展这项研究,研究人员主要运用了以下几项关键技术方法:首先,他们从公开数据集中提取了四类不同拓扑和补偿结构的运算跨导放大器(Operational Transconductance Amplifier, OTA)电路的大量布局及对应的后仿真性能数据,构建了训练和测试数据集。其次,他们创新性地将电路编码为图结构,其中节点(Node)代表器件,边代表连接,并精心设计了包含器件类型、子电路类型、引脚类型、相对距离、网络权重等信息的节点和边特征向量。然后,他们提出了MGIN模型,其核心改进包括边特征拼接(在信息聚合时,将连接边的特征向量与邻居节点特征向量拼接,以更充分地利用拓扑信息)和自适应加权损失(针对多性能指标预测任务,通过建模同方差不确定性,动态调整各任务损失权重,优化训练过程)。此外,研究还采用了图过滤器对原始图数据进行预处理,去除异常值并优化图结构,提升了数据质量。模型构建完毕后,使用均方根误差(RMSE)、平均相对误差率等指标对预测性能进行了全面评估。
研究结果
1. 问题形式化与图构建
研究直观地指出,电路的后版图性能受布局位置和电路拓扑的共同影响。为了利用改进网络在回归任务中的优势,他们提取了可扩展至各种电路拓扑并能编码有效布局信息的特征。每个节点的特征向量包括器件类型、引脚类型、子电路类型(如差分对、负载)以及器件位置。对于连接节点i和j的边,其特征包括相连引脚间的水平和垂直距离、引脚类型以及网络权重。其中,引脚间距离通过器件位置和引脚相对位置,使用欧几里得距离公式计算。引脚类型采用独热编码表示。网络权重反映了电路中特定连接的重要性,权重越高意味着该网络对设计性能越关键,在优化布线长度时需优先考虑。通过将电路编码为图结构,其中顶点集V代表每个器件和电路的输入/输出引脚,边集E代表器件间的连接,从而将性能预测任务形式化为图上的多任务回归问题。
2. MGIN模型
电路同构(即不同布局共享相同拓扑)对性能预测构成挑战,因为细微的布局差异(尤其是影响寄生元件的差异)会产生影响。因此,有效的模型必须能够区分同构布局。与图卷积网络等模型相比,GIN具有更优的判别能力。本研究提出的MGIN主要进行了两项关键改进:
  • •
    特征拼接:针对原始GIN在消息传递过程中对连接细节等拓扑信息利用不足的问题,MGIN在聚合邻居节点特征时,拼接了连接边的特征向量。具体而言,对于每一层,在更新节点i的表示时,将其每个邻居j的节点特征与连接边i-j的特征向量进行拼接,再送入多层感知机进行处理。为了稳定训练,还对拼接后的特征应用了层归一化。这使得模型能够更好地编码子电路拓扑信息。
  • •
    自适应加权损失:由于模拟IC性能指标多样且量纲不一,预测任务本质上是多任务学习。MGIN采用了基于同方差不确定性的自适应加权损失函数。该方-法通过最大化高斯似然,推导出多任务损失函数,使得模型能够根据各任务预测误差的大小,动态调整其在总损失中的权重。当某个任务的预测误差大时,其损失权重会自动降低,反之则提高。这种机制避免了手动调整权重的困难,显著提升了多任务学习的性能。训练中,模型实际预测的是方差的-对数s=ln(φ2),以保证数值稳定性。
3. 基于MGIN的性能预测流程
整个预测流程包括:首先将原始电路数据集通过特征计算和编码转化为原始图数据集;然后使用图过滤器进行处理,剔除异常数据点,并过滤掉引脚节点,仅保留器件节点,得到更有利于网络训练的图数据;接着进行MGIN模型的构建与训练;最终使用训练好的模型对电路的后版图性能进行预测。模型主要由两个GIN卷积层和一个预测器构成,学习到的图级嵌入被送入一个由多层感知机和Leaky ReLU层组成的可训练预测器,以完成性能回归。
4. 实验与结果
研究使用了一个开源数据集进行验证,该数据集包含了四种OTA电路(OTA1与OTA2原理图相同但尺寸不同)的大量布局及其后仿真性能数据,性能指标涵盖CMRR、UGBW、直流环路增益、PM和功耗。研究采用箱线图法分析了性能指标的数据分布。数据集按6:2:2的比例划分为训练集、验证集和测试集。评估指标除了常用的均方根误差外,还采用了平均相对误差率以及相对误差小于10%的样本数量。实验结果表明,提出的MGIN模型在预测多种OTA电路的后版图性能时,取得了优越的结果。与基线模型相比,MGIN实现了更低的平均相对误差率。具体而言,该模型在多个性能指标上实现了平均均方根误差为3.549,平均相对误差率为3.549%。相较于原始GIN模型,MGIN的平均误差降低了80.4%。这证明通过将布局配置直接映射到后版图性能,MGIN能够为模拟集成电路开发中的迭代重新设计提供具体且可操作的指导。
研究结论与意义
本研究表明,提出的改进图同构网络模型能够有效预测模拟集成电路布局方案的后版图性能。该模型通过边特征拼接增强了拓扑信息的学习能力,通过自适应加权损失优化了多任务回归的训练过程。实验在四种不同类型的运算跨导放大器电路上验证了模型的有效性,取得了良好的预测精度。
这项研究的重要意义在于,它为实现模拟集成电路布局质量的快速评估提供了一种高效的机器学习框架。传统的性能评估依赖于耗时的后布局仿真流程,而MGIN模型能够绕过布线、参数提取和仿真等复杂步骤,直接对布局方案的影响进行预测。这不仅能够为基于强化学习或深度学习的优化算法提供有价值的性能指导,从而显著加速布局的迭代优化过程,而且为性能驱动的自动化模拟电路设计开辟了新的途径。通过建立一个从布局到性能的直接预测模型,该工作为缩小模拟版图设计空间、加速整个设计流程提供了强有力的工具,对推动模拟集成电路设计自动化的发展具有重要的理论和应用价值。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号