BBOPlace-Bench: Benchmarking Black-Box Optimization for Chip Placement
National Key Laboratory for Novel Software Technology(国家新型软件技术重点实验室);School of Artificial Intelligence, Nanjing University(人工智能学院,南京大学);Huawei Noah’s Ark Lab(华为诺亚实验室)
针对芯片布局中黑盒优化缺乏统一基准的问题,提出BBOPlace-Bench基准,整合问题表述、芯片案例和算法家族,提供模块化框架,通过共享协议系统评估算法性能,助力开发高效方案并拓宽应用场景。
2026-07-21 cs.AI cs.AR cs.LG
PPAPlace: Differentiable Cross-Stage Objectives for Chip Placement Optimization
University of Alberta(阿尔伯塔大学)
PPAPlace是一种时序驱动的可微代理模型,以全局布线后标签训练,通过双流预测器结合图注意力与空间卷积,在ChiPBench测试电路上较分层基准显著提升WNS与TNS并保持功耗和可布线性。
2026-08-17 cs.AI cs.AR cs.LG
TransPlace: Transferable Circuit Global Placement via Graph Neural Network
DP Technology(DP科技);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
TransPlace利用图神经网络学习可迁移的电路全局布局知识,通过网表图、SE(2)-不变表示和两阶段策略,在未见电路上实现1.2倍加速并降低拥塞、时序和线长。
2025-03-26 cs.AI cs.AR cs.LG
Flexible Multiple-Objective Reinforcement Learning for Chip Placement
MediaTek Research(联发科研究院);MediaTek Inc.(联发科公司);National Taiwan University(台湾大学);Maxeda Technology Inc.(Maxeda科技公司)
最近,强化学习在芯片布局中的成功应用已经出现。预训练的模型对于提高效率和有效性是必要的。目前,客观指标的权重(例如,线长、拥塞和定时)在预训练期间是固定的。然而,固定权重的模型不能产生工程师所需的布局的多样性,以适应不断变化的要求,因为它们出现。本文提出了灵活的多目标强化学习(MORL),支持目标函数的推理时间可变的权重,使用一个单一的预训练模型。我们的宏观布局结果表明,MORL可以有效地产生多个目标的帕累托前沿。
2022-04-13 cs.AI cs.LG
The Power of Graph Signal Processing for Chip Placement Acceleration
Fudan University(复旦大学);Northwestern University(西北大学);IIIinois Institute of Technology(伊利诺伊理工学院)
本文提出基于图信号处理的无参数布局加速技术GiFt,通过捕捉电路图多分辨率平滑信号,无需训练即可加速布局并减少迭代,相比DREAMPlace总运行时间提升超45%。
2025-02-24 cs.LG
TDPNavigator-Placer: Thermal- and Wirelength-Aware Chiplet Placement in 2.5D Systems Through Multi-Agent Reinforcement Learning
Institute for Infocomm Research (I2R), Agency for Science, Technology and Research (A*STAR)(新加坡科技研究局(A*STAR)信息通信研究院(I2R));Institute of Microelectronics (IME), Agency for Science, Technology and Research (A*STAR)(新加坡科技研究局(A*STAR)微电子研究院(IME))
TDPNavigator-Placer通过多智能体强化学习,实现2.5D系统中热和布线长度感知的芯片片放置优化,提升性能平衡。
2026-01-30 cs.AI cs.LG
The False Dawn: Reevaluating Google's Reinforcement Learning for Chip Macro Placement
Univ. of Michigan(密歇根大学);Google(谷歌);Meta;Stanford(斯坦福大学);Nova Ukraine(乌克兰新星);UCSD(加州大学圣地亚哥分校)
本文通过元分析重新评估谷歌用于芯片宏布局的强化学习方法,揭示其落后于人类设计师、模拟退火算法和商业软件,并指出原《自然》论文存在严重完整性问题。
2024-09-28 cs.AI cs.AR cs.CY
CARVE: Breaking Data Barriers in Chip Placement by Harnessing Reusable Expertise
Purdue University(普渡大学);Columbia University(哥伦比亚大学)
CARVE框架通过冻结基础策略、不可变专家和局部验证凭证,实现宏布局策略的持续复用,减少训练时间58.5%,并保持性能稳定。
2026-09-29 cs.LG
See it to Place it: Evolving Macro Placements with Vision-Language Models
Harvard University(哈佛大学);Kempner Institute for the Study of Natural and Artificial Intelligence(肯普纳自然与人工智能研究所);Google DeepMind(谷歌DeepMind)
本文提出利用视觉-语言模型进行芯片布局中的宏放置优化,通过进化搜索策略提升放置质量,在9/10基准上优于现有方法,且能泛化至分析型布局器。
2026-10-20 cs.LG
Optimization of Passive Chip Components Placement with Self-Alignment Effect for Advanced Surface Mounting Technology
State University of New York(纽约州立大学);Koh Young Technology America(科扬科技美国公司)
表面贴装技术(SMT)是电子封装中的一种增强方法,其中电子元件直接放置在焊接的印刷电路板(PCB)上,并以回流焊接工艺为目的永久地附着在PCB上。在回流过程中,一旦沉积的焊膏开始熔化,电子元件就会朝着实现最高对称性的方向移动。这种运动被称为自对准,因为可以纠正潜在的安装不对准。在这项研究中,两个值得注意的机器学习算法,包括支持向量回归(SVR)和随机森林回归(RFR)被提出作为预测技术(1)诊断元件自对准,沉积的锡膏状态和放置加工参数之间的关系,(2)在进入回流焊工艺之前预测PCB上的最终元件在x,y和旋转方向上的位置。基于预测结果,建立了一个非线性最优化模型(NLP)来优化初始阶段的布局参数。因此,RFR在预测模型适应度和误差方面优于其他模型。针对6个样本运行该最优化模型,其中从理想位置(即,焊盘中心)的轮廓为25.57(μm)。
2020-01-27 cs.LG cs.SY eess.SY
Component Centric Placement Using Deep Reinforcement Learning
Institute of Microelectronics (IME)(微电子研究所)
本文提出基于深度强化学习的组件导向布局方法,通过离散化自由空间和利用电压源位置先验知识,实现PCB组件布局的高精度自动化。
2026-02-26 cs.ET cs.LG
Reinforcement Learning Policy as Macro Regulator Rather than Macro Placer
Nanjing University(南京大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
针对RL从零布局训练慢、泛化差且PPA难保证的问题,本文提出将RL策略作为宏单元布局调节器,在细化阶段调整已有布局并引入规整度奖励,在基准与商业软件上显著提升线长、规整度和PPA。
2024-12-10 cs.AI cs.LG
A Transferable Approach for Partitioning Machine Learning Models on Multi-Chip-Modules
Google(谷歌);School of Electrical and Computer Engineering, University of California, Santa Barbara(加州大学圣塔芭芭拉分校电气与计算机工程学院)
多芯片模块(MCM)降低了机器学习(ML)加速器的设计和制造成本,同时提供与单片大型芯片相当的性能和能效。然而,针对MCM的ML编译器需要最佳和有效地解决复杂的优化问题,以实现这种高性能。一个这样的问题是多芯片划分问题,其中编译器确定MCM中的小芯片上的张量计算图中的操作的最佳划分和放置。划分MCM的ML图特别困难,因为搜索空间随着可用小芯片的数量和神经网络中的节点数量呈指数增长。此外,由底层硬件施加的约束产生有效解极其稀疏的搜索空间。在本文中,我们提出了一种策略,使用深度强化学习(RL)框架发出一个可能无效的候选分区,然后由约束求解器纠正。使用约束求解器确保RL在稀疏空间中足够频繁地遇到有效的解决方案,以便与非学习策略相比以更少的样本收敛。我们为策略网络所做的架构选择允许我们在不同的ML图中进行泛化。我们的生产规模的模型,BERT,在真实的硬件上的评估表明,使用RL策略生成的分区实现6.11%和5.85%的吞吐量比随机搜索和模拟退火。此外,微调预训练的RL策略将搜索时间从3小时减少到仅9分钟,同时实现与从头开始训练RL策略相同的吞吐量。
2021-12-07 cs.AR cs.LG
How Can Reinforcement Learning Achieve Expert-level Placement?
State Key Laboratory of Novel Software Technology, Nanjing University, China(南京大学新型软件技术国家重点实验室);School of Artificial Intelligence, Nanjing University, China(南京大学人工智能学院);Huawei Noah’s Ark Lab, China(华为诺亚实验室)
针对强化学习在芯片布局中因奖励设计不当而难以达到专家质量的问题,提出从专家布局直接学习奖励模型的方法,通过推断专家轨迹并训练隐式奖励模型,实现从单个设计高效学习并泛化到未见案例。
2026-06-01 cs.AI cs.AR cs.LG
Validity-Preserving Hierarchical RL for Joint Routing and Switch Placement in EDA
LTCI, Télécom Paris, Institut Polytechnique de Paris(LTCI,巴黎电信学院,巴黎综合理工学院);Arteris IP(Arteris IP公司)
提出分层强化学习框架,通过开关扩展、放置与路由细化三操作保持布线有效性,用Gumbel MCTS神经搜索提升EDA联合布线与开关放置的解质量。
2026-10-01 cs.LG
Toward Reinforcement Learning-based Rectilinear Macro Placement Under Human Constraints
AgileSoDA Company(AgileSoDA公司);Asicland Company(Asicland公司);Hankuk University of Foreign Studies(韩国外国语大学)
本研究针对芯片设计中带类人约束的直角多边形宏单元布局难题,基于G-CT思路构建学习型布局器,兼顾直角场景支持与类人设计原则,实验显示其PPA指标及布局质量可比肩人工,还具备处理多样宏单元形状与布局区域的通用潜力。
2023-11-03 cs.AI cs.AR cs.HC
Optimizing Routerless Network-on-Chip Designs: An Innovative Learning-Based Framework
University of Southern California(南加利福尼亚大学);Oregon State University(俄勒冈州立大学)
将机器学习应用于建筑设计提供了具有广泛应用前景的机会。特别是最近的深度强化学习(DRL)技术,能够在传统设计策略可能不充分的巨大设计空间中进行有效探索。本文提出了一种新的深度加固框架,以无路由器片上网络(NoC)作为评估案例研究。新框架成功地解决了先前的设计方法由于随机搜索而不可靠或由于严重的设计空间限制而不灵活的问题。该框架学习(近)最佳的环路布局与各种设计约束的无路由片上网络。一个深度神经网络开发使用并行线程,有效地探索巨大的无路由器片上网络设计空间与蒙特卡洛搜索树。实验结果表明,与传统网格相比,所提出的深度强化学习(DRL)无路由器设计实现了3.25倍的吞吐量增加,1.6倍的数据包延迟减少,和5倍的功耗降低。与最先进的无路由器NoC相比,DRL实现了1.47倍的吞吐量增加,1.18倍的数据包延迟减少,以及1.14倍的平均跳数减少,尽管功耗略高。
2019-05-11 cs.AI cs.AR cs.LG
Machine Learning-Driven Intelligent Memory System Design: From On-Chip Caches to Storage
本文提出利用轻量级机器学习方法设计内存系统,通过三种ML引导的架构策略提升性能与效率,优于传统人工设计策略。
2026-03-15 cs.AI cs.AR cs.DC
Physics-Guided Geometric Diffusion for Macro Placement Generation
POSTECH Institute of Artificial Intelligence(POSTECH人工智能研究所);KAIST InnoCORE LLM(韩国科学技术院InnoCORE语言模型实验室);Seoul National University(首尔国立大学);Pohang University of Science and Technology(釜山科学技术大学)
提出MacroDiff+框架,通过双域去噪架构和物理引导采样策略,在宏单元布局中同时优化拓扑连接和物理约束,在ISPD2005 MMS基准上实现线长减少6.1-6.2%。
2026-05-31 cs.AI cs.LG
CoEvoP&R: Co-Evolving Placement Objectives with Routing Feedback via Large Language Models
University of Alberta(阿尔伯塔大学);New York University(纽约大学)
研究针对分析布局器替代指标与下游质量不一致问题,提出基于大语言模型的CoEvoP&R框架自动进化布局目标,经实验验证该方法能有效降低线长、拥塞及时序负松弛,提升布局效果。
2026-07-21 cs.AI cs.LG cs.NE
RoutePlacer: An End-to-End Routability-Aware Placer with Graph Neural Network
School of Software and Microelectronics, Peking University(北京大学软件与微电子学院);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
提出端到端布线感知布局方法RoutePlacer,通过训练定制图神经网络RouteGNN作为布线性的可微近似,实现基于梯度的布线性优化,在保持线长的同时显著降低Total Overflow。
2024-06-04 cs.AI cs.LG cs.NI
NeuroSteiner: A Graph Transformer for Wirelength Estimation
Indian Institute of Technology Delhi(德里印度理工学院);Qualcomm AI Research(高通人工智能研究)
NeuroSteiner通过蒸馏最优RSMT求解器GeoSteiner训练图Transformer,在ISPD基准上以更快的速度实现低线长估计误差,并支持可微布局优化。
2024-07-04 cs.LG stat.ML
Intelligent Circuit Design and Implementation with Machine Learning
Duke University(杜克大学)
EDA技术的停滞源于知识重用不足。在实践中,可能需要从头开始重复构建非常相似的模拟或优化结果。这促使我研究如何通过机器学习(ML)将更多的"智能"引入EDA,ML基于先前的数据探索设计流程中的复杂相关性。除了设计时间,我还提出了ML解决方案,通过在运行时辅助电路管理来提高IC性能。在这篇论文中,我提出了多个快速而准确的ML模型,涵盖了广泛的芯片设计阶段,从寄存器传输级(RTL)的签署,解决主要的芯片设计问题的电源,时序,互连,IR下降,可布线性和设计流程调整。针对RTL阶段,我提出了APOLLO,一个全自动的电源建模框架。该算法通过提取功率相关性最强的信号,建立了精确的单周期功率模型。该模型可以进一步在芯片上实现,以前所未有的低硬件成本进行运行时电源管理。针对门级网表,我提出了Net2的早期估计后放置线长。它进一步实现了更准确的时序分析,而无需实际的物理设计信息。针对电路布局,我提出了早期可布线性预测的RouteNet。作为第一个基于深度学习的可布线性估计器,它提出的一些特征提取和模型设计原则被后来的工作广泛采用。我还介绍了用于快速IR压降估计的PowerNet。它利用定制的CNN架构捕获关于功率分布的空间和时间信息。最后,除了针对一个单一的设计步骤,我提出了FIST有效地调整设计流程参数在逻辑综合和物理设计。
2022-06-07 cs.LG
A Lightweight Inception Boosted U-Net Neural Network for Routability Prediction
Hong Kong Applied Science and Technology Research Institute Company Limited (ASTRI)(香港应用科技研究院有限公司)
本文提出一种由 Inception 嵌入模块增强的轻量级 U-Net 变体模型,用于在 VLSI 后端设计中提前预测布线拥塞与设计规则检查热点,在 CircuitNet 基准上显著降低了误差并提升了结构相似性。
2024-02-07 cs.AI cs.AR cs.CE