Real-Time Dynamic IR-drop Prediction for IR ECO

Real-Time Dynamic IR-drop Prediction for IR ECO

背景與痛點 (Introduction)

1. 晶片設計的最後一哩路：Sign-off 與 ECO

   • 當晶片設計快要完成時，會進入「簽核 (Sign-off)」階段。這時候必須確保所有指標都合格。
   • 當電流流過電線時，電壓會因為電阻而下降（歐姆定律）。如果電壓降太多（IR-drop），晶片就會跑不動或是算錯 。
   • 為了修復這些電壓問題，工程師會進行 ECO (Engineering Change Order)。最常用的方法是「移動元件 (Cell Moving)」，把吃電怪獸移開，或是把元件移到電壓比較穩的地方 。

2. 為什麼現在的流程很痛苦？

   • 不確定性高： 你移動了一個元件，可能會影響到旁邊的元件。就像你在擠滿人的電梯裡移動位置，可能會踩到別人的腳。所以修復結果是很不確定的，通常要試錯好幾次 。
   • 時間成本太高： 每次移動完（產生一個 ECO 候選方案），如果想知道修好了沒，必須跑一次「全電路模擬」。這非常慢（好幾個小時），導致設計師沒時間嘗試太多種修法 。

現有 AI 方法的缺陷 (Prior Works)

既然模擬太慢，之前已經有人想過用 AI (機器學習) 來預測結果，但這篇論文指出了它們的兩個大問題：

1. 還是不夠快 (依賴部分模擬)

   • 以前的 AI 模型雖然預測很快，但在預測之前，仍然需要跑一種「部分模擬 (Partial Simulation)」來更新電路特徵（比如電阻值變化）。
   • 這個「部分模擬」本身就很慢，導致整體時間並沒有省下多少 。

2. 視野狹隘 (Local View 導致困惑)

   • 以前的 AI 在看一個元件的周圍環境時，是把周圍的每一個小格子（Tile）都當成獨立的特徵來學習。
   • 問題： AI 會因為不同位置的鄰居狀況不同而感到混亂（Confused），無法學到真正影響電壓的規律 。

這篇論文的解決方案 (Proposed Method)

作者提出了一套全新的流程，核心在於「完全不用跑模擬」就能預測結果。

1. 全局視野特徵 (Global View Features)
   這是為了解決 AI「視野狹隘」的問題。

   • 做法： 不再單獨看每一個鄰居格子。而是統計周圍 5x5 範圍內所有鄰居的：
     • 最大值 (Max)： 最耗電、影響最大的那個鄰居是誰？
     • 最小值 (Min)： 最安靜的鄰居是誰？
     • 總和 (Overall)： 這一區總共的耗電量是多少？
   • 篩選 (Correlation Ranking)： 他們還計算了相關係數，只保留那些跟電壓降最相關的特徵，把雜訊過濾掉，讓模型更精準 。

2. 快速特徵更新技術 (Fast Feature Update)
   這是為了解決「還要跑部分模擬」的問題。

   • 概念： 作者發明了一種演算法，利用 「移動前的舊資料」 + 「移動後的座標」，直接推算出移動後的新特徵。
   • 為什麼能這樣做？
     • 元件本身的電氣特性（如電容、電流）在移動時幾乎不會變 。
     • 會變的是「鄰居是誰」。所以演算法只需要重新計算「現在誰搬到了誰隔壁」，然後把新鄰居的數值加總起來就好 。
   • 結果： 這個過程只要幾秒鐘或幾分鐘，完全不需要跑耗時的電路模擬 。

3. 創新的 ECO 流程

   • 因為預測變成了 Real-time 的，設計師現在可以在同一輪修改中，平行嘗試 多個 ECO 方案 (ECO 1, ECO 2… ECO n)。
   • AI 會瞬間告訴你哪個方案最好，你再選那個去執行。這大大增加了修復成功的機率 。

實驗結果 (Experimental Results)

1. 準確度 (Accuracy)

   • 模型表現： 他們使用的模型是 XGBoost 。
   • 成功率： 對於那些經過修復的元件，AI 能成功檢測出 96% 的修復狀況 。
   • 誤差值： 預測電壓與真實電壓的平均誤差 (MAE) 只有 8.75mV。考慮到電壓標準是 800mV，這個誤差非常小，符合工業界需求 。

2. 速度 (Speed)

   • 對比商用工具 (Voltus)： 快了 88 倍 (1.45 分鐘 vs 127 分鐘) 。
   • 對比傳統 AI： 快了 64 倍 (因為省去了部分模擬的時間) 。

3. 全局特徵的有效性

   • 實驗證明，使用他們提出的「全局視野特徵」，預測誤差比舊的「局部視野」方法降低了 20.2%
     • 這證明了不只看單一鄰居，而是看整體統計數據是正確的方向。

總結

1. 不用再跑模擬了： 用我的「快速特徵更新法」，用算的就能知道特徵變化。
2. 用「全局視野特徵」來訓練 AI，它才不會被鄰居搞混。
3. 既然預測這麼快，現在可以一次嘗試十種修復方案，挑最好的來用。

筆記

ECO 舉例

在真實的晶片設計軟體（如 Voltus）中，設計師看到的畫面像是一張熱力圖 (Heatmap)。

• 紅色區域 (Red Zone)： 電壓降很嚴重的地方（像是擁擠的市中心，大家都在搶電）。
• 綠色區域 (Green Zone)： 電壓很穩定的地方（像是郊區，電力充足）。

假設 Cell A 在紅色區域，設計師可以嘗試把 Cell A 往綠色區域移動，看看能不能改善電壓問題。但是

• 你把 Cell A 移到綠區，但 Cell A 自己也是會吃電的。它一搬過去，原本那邊的「綠區」可能會因為多了一張嘴吃飯，反而變成「紅區」，害原本住在那邊的鄰居出問題 。
• 這就是為什麼要預測：
  • 舊方法： 移過去 -> 跑幾小時模擬 -> 發現害死鄰居 -> 移回來 -> 再試別的地方。
  • 這篇論文的方法： AI 瞬間告訴你：「如果你移到這裡，你和新鄰居都會沒事」或者「別移過來，這裡會爆掉」。這樣設計師就能馬上判斷能不能移 。

Local View vs Global View

1. 舊方法 (Local View)：死記硬背「位置」

   • 舊方法把這 25 個格子（5x5）當成 25 個獨立的變數 餵給 AI。
   • AI 會嘗試去學：「左上角的格子 (Tile 1) 如果耗電高，會不會導致電壓降？」、「右邊的格子 (Tile 3) 耗電低，會怎樣？」
   • 衝突點 (Confusion)：
     • 情況 A： 左上角鄰居很吵 $\rightarrow$ 我失眠（IR-drop 違規）。
     • 情況 B： 左上角鄰居很安靜，但右下角鄰居超吵 $\rightarrow$ 我還是失眠。
     • 這時候 AI 盯著「左上角」看，就會覺得困惑：「奇怪，有時候它安靜我也失眠，有時候它吵我也失眠，到底規則是什麼？」
     • 因為特徵太多（125 個），且位置關係太複雜，AI 很難歸納出通則。

2. 新方法 (Global View)：抓「重點摘要」

   • 新方法雖然也看這 5x5 的範圍，但它不把 25 個格子的數據直接餵給 AI。 它是先經過一道數學手續，把這 25 個格子濃縮成 3 個指標 ：
     1. 最大值 (Max)： 這一圈鄰居裡，最吵的那個人分貝是多少？（不管他是住左上還是右下）。
     2. 總和 (Overall)： 這一圈鄰居加起來總共製造了多少噪音？
     3. 最小值 (Min)： 這一圈裡最安靜的程度？

省去「部分模擬」的時間

• 舊方法：每次移動元件後，都要跑一個「部分模擬」，來重新計算整個 PDN 的電阻值 (R)、電感值 (L)，然後再用這些新數據去更新特徵。 這個部分模擬通常要花好幾十分鐘到幾個小時，非常耗時。
• 新方法：作者發現，其實元件本身的電氣特性（像是電容、電流）在移動時幾乎不會變。 會變的只是「鄰居是誰」。所以他們設計了一個演算法，只需要根據「新鄰居」來重新計算特徵，而不需要跑模擬。 這個過程只要幾秒鐘或幾分鐘，大大加快了速度。