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 Bian Shaoxian;Micheal Feng;David Yue;Luan Xiaokun;Cai Zhun;Jiang Jianfeng

作者机构：天津飞腾信息技术有限公司湖南长沙410000 上海楷登电子科技有限公司上海201204 

出 版 物：《电子技术应用》 (Application of Electronic Technique)

年 卷 期：2020年第46卷第8期

页      面：54-59,63页

学科分类：080903[工学-微电子学与固体电子学] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 

基　　金：核高基(2017ZX01028-103-002) 

主　　题：机器学习 Innovus 芯片设计 物理设计 

摘      要：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。