Innovus机器学习在高性能CPU设计中的应用

作者：边少鲜; Micheal Feng; David Yue; 栾晓琨; 蔡准; 蒋剑锋

来源：电子技术应用, 2020, 46(08): 54-63.

DOI：10.16157/j.issn.0258-7998.209801

• 机器学习
• Innovus
• 芯片设计
• 物理设计

高性能芯片设计在7 nm及更高级的工艺节点上,设计规模更大、频率更高、设计数据和可变性更复杂,物理设计难度增大。机器学习在多领域均获得成功应用,复杂的芯片设计是应用机器学习的一个很好的领域。Cadence将机器学习算法内置到Innovus工具中,通过对芯片设计数据进行学习建模,建立机器学习模型,从而提升芯片性能表现。建立了一个应用机器学习优化延时的物理流程来提升芯片设计性能。详细讨论分析了分别对单元延时、线延时、单元和线延时进行优化对设计的影响,进而找到一个较好的延时优化方案。最后利用另一款设计难度更大,性能要求更高的模块从时序、功耗、线长等方面较为全面地分析验证设计方案的合理性。