从零开始学习：结构掩码变换器用于下一代无库仿真-计算机科学-机器学习-神经网络-时序预测.pdfVIP

从零开始学习：结构掩码变换器用于下一代无库仿真

1,1,1,‡

JunlangHuang,HaoChen,ZhongGuan

摘要—本文提出了一种用于多级数据路径的功率和时序预测的神经框神经网络（GNNs）或回归模型来估计引脚到引脚或单元延迟。值

架，区别于依赖驱动特性分析和负载简化的传统库基解析方法。据我们所知，得注意的研究包括：

这是首个基于语言、网表感知的神经网络，专门设计用于标准单元。我们的方郭等。提出了一种框架（ICCAD’22），该框架受到时序引擎

法采用两种预训练的神经模型来进行波形预测和延迟估计，直接从SPICE

的启发，使用带有边级监督[12]的图神经网络预测到达时间、松

网表中推断出瞬态波形和传播延迟，条件是关键物理参数如负载电容、输入边

沿速率和门尺寸。该方法准确捕捉了内在和耦合引起的延迟效应，无需简化或弛时间和单元延迟。

插值。Alrahis等。(2022)展示了一个GNN—GNN4REL—它能够

对于多阶段时序预测，我们实现了一种递归传播策略，其中每个阶段的预估计标准单元路径上由老化引起的路径延迟降级，MAE达到低

测波形被输入到后续阶段中，从而累积捕获逻辑链中的延迟。这种方法确保了至0.01百分点[13]；

在整个复杂信号路径中的精确时序对齐和完整的波形可见性。波形预测使用近期，Zhong等人。（2024）提出了PreRoutGNN，该方法

一种混合CNN-Transformer架构，并采用具有网表感知节点级别编码的

通过一种保持顺序的GNN架构[14]进行预布线时序预测，包括

方法，解决了传统Transformer固定输入维度的约束问题。此外，专门的子

网络分别处理主要延时估计和串扰校正。单元延迟估计。

本实验结果展示了SPICE级的精度，各种工业电路的RMSE均低于为了解决这些限制，我们提出了一种专门针对EDA应用的

0.0098。所提出的框架提供了一个可扩展且结构适应性强的神经网络替代方基于学习的框架，特别是时序闭合和信号完整性分析。我们的方

译案，用于传统的电源和时序引擎，显示出对物理电路行为的高度保真度。法结合了波形和延迟建模，以实现基于SPICE网表输入的多级

IndexTerms—变压器，神经网络，网表编码，信号线，RC网络，时标准单元链路的端到端预测。

中序，波形

具体而言，我们的贡献总结如下：

1

vI.介绍我们提出了一种基于Transformer的标准单元[15]时序预

6随着测模型，能够根据输入的上升时间和RC负载参数准确预测

9瞬态电压波形。该模型针对每种单元类型进行了预训练以捕

3S集成电路（IC）技术的缩小，标准单元中的寄生效应和捉非线性波形整形行为。

7A非线性现象越来越复杂化波形仿真和时序分析。RC互连

1.响应对于评估延迟、功耗和电迁移至关重要，然而传统方法往往我们引入了一个递归的、逐阶段的时间预测框架，该框架级

联Transformer块来模拟信号通过多级逻辑的传播。在每个

7以牺牲准确性来换取速度。先前的研究强调了这些挑战[1]–[3]，

0指出在更小节点上分