Effiziente und präzise Timing-Analyse integrierter Schaltungen mit Methoden des maschinellen Lernens

• Antragsteller: Privatdozent Dr.-Ing. Bing Li; Professor Dr.-Ing. Ulf Schlichtmann
• Fachliche Zuordnung: Elektronische Halbleiter, Bauelemente und Schaltungen, Integrierte Systeme, Sensorik, Theoretische Elektrotechnik
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 504518248

Die weiter fortschreitende Reduktion der Strukturgrößen integrierter Schaltungen führt seit über einer Dekade nicht mehr zu nennenswerten Steigerungen der Taktfrequenzen dieser Schaltungen. Neben dem Ende des „Dennard Scaling“ ist dies durch den zunehmenden Einfluss von Fertigungsschwankungen bedingt. Die weiterhin exponentiell steigende Komplexität integrierter Schaltungen stellt die „Timing Closure“ im Entwurf vor große Herausforderungen. Kommerzielle Werkzeuge („EDA Tools“) nutzen u.a. verschiedene Heuristiken, um eine Balance zwischen Genauigkeit der erzielten Ergebnisse einerseits und dem Aufwand dafür andererseits zu erzielen. Diese Heuristiken resultieren allerdings in einer pessimistischen Unterschätzung der Taktfrequenz einer Schaltung, was wiederum zu aufwendigen Entwurfsmaßnahmen führt, um eine gewünschte Taktfrequenz zu erreichen. Die Forschung in der Entwurfsautomatisierung hat kürzlich damit begonnen, Verfahren des maschinellen Lernens (ML) für die Optimierung des Entwurfs integrierter Schaltungen einzusetzen. Für die Analyse des Laufzeitverhaltens integrierter Schaltungen liegen jedoch noch keine überzeugenden Ansätze vor. In diesem Vorhaben beabsichtigen wir daher, die Analyse des Laufzeitverhaltens integrierter Schaltungen durch den Einsatz von ML-Verfahren zu optimieren. Wir schlagen vor, strukturelle Informationen über eine Schaltung (z.B. Pfadstrukturen, Gatter-Positionen) durch Ansätze wie „Graph Neural Networks“ (GNNs) sowie „Convolutional Neural Networks“ (CNNs) zu prozessieren, um so Schlüsselinformationen über das Laufzeitverhalten aus einer Schaltung zu extrahieren. Analysen des Laufzeitverhaltens einer Schaltung in unterschiedlichen Entwurfsstadien werden auch korreliert, damit Analysen in frühen Entwurfsstadien schon eine hohe Genauigkeit aufweisen und damit zeitraubende Iterationen im Entwurfsablauf vermieden werden können. Der vorgeschlagene Ansatz ist unabhängig von konkreten Fertigungstechnologien. Er gewinnt Informationen über das Laufzeitverhalten von Schaltungen aus Trainingsdaten und kann somit flexibel auf zukünftige Herausforderungen reagieren. Durch die Nutzung innovativer ML-Verfahren hat der vorgeschlagene Ansatz das Potential, eine bessere Abwägung zwischen erzielbarer Genauigkeit der Laufzeitanalyse integrierter Schaltungen und dem dafür erforderlichen Aufwand zu ermöglichen.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: China (Hongkong)
• Mitverantwortlich(e): Professorin Dr.-Ing. Li Zhang
• Kooperationspartner: Professor Dr. Bei Yu