Особенности разработки методики автоматизации размещения ИМЭ с использованием графовой структуры
Особенности разработки методики автоматизации размещения ИМЭ с использованием графовой структуры
Аннотация
Проектирование изделий микроэлектроники (ИМЭ) – сложный и длительный процесс. С течением времени разработчики стремятся сделать ИМЭ все более компактными, но при этом быстродействующими и обладающими низким энергопотреблением. Таким образом, растут затраты, связанные с производством, в том числе и временные. В связи с этим необходимо прибегать к автоматизации на каждом уровне проектирования. Вследствие этого требуется совершенствовать отдельные этапы автоматизированных систем, поддерживая методы и алгоритмы в актуальном состоянии. Одним из этапов, требующих улучшений, является этап, размещения изделий. В данной статье рассматривается формализация задачи с обоснованием использования графовой нейронной сети при обучении агента глубокого обучения с подкреплением. Также приведен вариант решения задачи о размещении ИМЭ путем применения новейших методов машинного обучения с помощью разработанной методики на основе глубокого обучения с подкреплением.
1. Введение
Все больше направлений науки и производства стремятся внедрить достижения сферы искусственного интеллекта в свои процессы. Не стала исключением и сфера электроники, где множество процессов проектирования связаны с автоматизацией , . Методы искусственного интеллекта помогают ускорить анализ данных и принятие решений, повысить точность получаемых решений и пр. Его применение в различных сферах обусловлено необходимостью обработки больших массивов информации и поиска сложных зависимостей в сложноформализуемых задачах. В частности, в настоящее время много исследований проводится по внедрению искусственного интеллекта в процесс проектирования микросхем , , .
Так как техпроцессы производства микросхем уменьшаются, а количество компонентов возрастает, то усложняется и дорожает процесс разработки , . В текущих реалиях стандартные алгоритмы даже при использовании распараллеливания оказываются слишком долгими и неэффективными и кроме того, усложняются устройством самих ИМЭ.
В сфере отечественного производства ИМЭ требуется улучшение средств автоматизации с использованием современных методов и средств. Одной из задач, при решении которой специалисты сталкиваются с рядом проблем при применении классических методов и алгоритмов, является размещение ИМЭ. В процессе размещения необходимо соблюдать определенный набор правил и ограничений, что существенно замедляет производство. В связи с ростом числа правил и входящих в состав изделий и связей между ними, а также сложностью оценки эффективности получаемых размещений, возрастает время проектирования и объем информации на этом шаге. В связи с тем, что размещение напрямую связано с проверкой характеристик перед производством, увеличение скорости будет способствовать уменьшению времени на означенные проверки.
2. Формализованное представление задачи размещения ИМЭ
Для решения задачи необходимо выполнить формализацию. В качестве начального приближения используются следующие множества :
1. E = {e1, e2, …, en …, eN} – множество ИМЭ для размещения;
2. P = {p1, p2, …, pm, …, pM} – фиксированный набор позиций, в которые должны быть размещены изделия из множества E.
В формальном представлении задачи:
где T – время размещения ИМЭ; n - количество элементов; – стратегия размещения; F - функция времени.
Общий процесс сводится к конечному марковскому процессу приятия решений . Среда в этом процессе эпизодическая, детерминированная, стационарная и дискретная с доступом алгоритма размещения (агента) к полной информации среды. Текущие действия агента влияют и на текущую награду Rt+1, и на последующие принимаемые решения. Для решения задачи в этом случаем следует прибегнуть к обучению с подкреплением с целью обучения параметров аппроксимирующей оптимальную стратегию размещения функции :
где – веса аппроксимирующей функции, т.е. глубокой нейронной сети ,
– политика агента, G – граф, представляющий размещение элементов множества E в ячейки множества P, Rp,G – награда, 𝑞𝑝,𝐺 – функция ценности. Использование нейронной сети позволит выявить различные зависимости и схожести между состояниями среды, что даст как минимум не худший вариант решения из всего возможного спектра вариантов размещения.
В связи с тем, что процесс размещения элементов является сложным процессом, влияющим на многие компоненты, связанные между собой, необходимо особым образом представлять входные данные. Для представления элементов ИМЭ и их связей, а также для наиболее корректного и эффективного рассмотрения их связей между собой, был выбран ориентированный взвешенный граф с векторами характеристик вершин . В соответствии с этим в качестве отдельных слоев на входе в архитектуре нейронной сеть необходимо использовать слои графовой нейронной сети – GNN, которая поможет перевести граф микросхемы в вектора связанных характеристик ребер и вершин.
3. Методика размещения ИМЭ на основе обученного агента RL и GNN
На основе требований отечественного технологического процесса и проведенного анализа существующих стандартных методов разработана методика размещения ИМЭ. Ниже приведены основные этапы.
Этап 1: начинается с перебора изделий и записи в список соединений по направлениям от выходов к входам, используя данные ИМЭ. После записи всех соединений для каждого ИМЭ, являющегося вершиной ориентированного графа, создаются вектора характеристик. Также перебирается список ребер, и каждому ребру присваивается соответствующий вес. Таким образом создается графовая структура и параметры окружающей среды.
Этап 2: размещение ИМЭ из созданной очереди. Создание очереди учитывает физические размеры изделий, размещая от большего к меньшему. Если были размещены не все ИМЭ, то размещение начинается заново с генерации очереди. После этого размещение передается другому алгоритму для проведения соединений.
Этап 3: состоит в оценке конечного размещения после выполнения соединений. По результатам выполнения соединения ИМЭ проверяется, хватило ли свободного места между изделиями, рассчитываются задержки и плотность размещения. На основе этих показателей выполняется сравнение с размещениями, сохраненными в базе. Если показатели размещения слишком низкие, может быть осуществлен возврат на этап 2.
Этап 4: размещение добавляется в общую базу для ведения статистики и внесения корректировок. Если обнаружены какие-то отклонения, то по запросу из базы извлекаются данные размещений, снова проходит размещение в режиме обучения (этапы 2 и 3), и на основе этого выполняются корректировки гиперпараметров агента и нейросети.
4. Направления последующего исследования
На основе проведенного анализа было выявлено, что на данный момент технологии обучения с подкреплением не используются в задаче о размещения ИМЭ. В основном используемые решения связаны с алгоритмами, производными от алгоритмов полного перебора возможной расстановки ИМЭ, что занимает достаточно много времени и ресурсов компьютера. Кроме этого, независимо от количества запусков, отсутствует возможность их обучения тупиковым вариантам решений. Использование обучения с подкреплением при решении задач связанных с накоплением, усреднением и использованием прошлого опыта позволяет повысить эффективность и снизить временную ресурсоемкость процесса решения.
Таким образом, основной целью будущих исследований является повышение скорости и качества размещения ИМЭ на основе разработанной методики поиска аппроксимированной оптимальной стратегии размещения с применением методов машинного обучения, в частности, глубокого обучения с подкреплением. В рамках достижения поставленных целей необходимо решить следующие задачи.
1. Разработать реализующие методику алгоритмы формирования размещения ИМЭ для снижения ресурсоемкости этапа.
2. Разработать специальную систему хранения и обработки данных ИМЭ для корректной работы с машинным обучением на основе графовой структуры.
3. Разработать методы и алгоритм для оценивания конечного размещения.
4. Разработать базу данных для сбора, хранения, сортировки и группировки, а также быстрого получения информации о размещениях ИМЭ за все время работы алгоритмов.
5. Выполнить программную реализацию для верификации результатов.
5. Заключение
В настоящее время в микроэлектронике России возросла потребность в импортозамещении, а также улучшении средств автоматизации. В связи с невозможностью использования зарубежных программных средств, а также из-за отсутствия конкурентоспособных отечественных средств автоматизации проектирования сопоставимых по мощности и функционалу, необходимо не только разрабатывать надежные и проверенные отечественные средства, но и поддерживать входящие в них методы и алгоритмы современными и быстродействующими. Данная методика размещения призвана сократить время размещения ИМЭ в процессе разработки за счет использования современных технологий на базе искусственного интеллекта.
Основываясь на результатах научных исследований , связанных с внедрением искусственного интеллекта в смежных областях, а также на анализе различных методов и средств, использование глубокого обучения с подкреплением приведет к значительным улучшениям в области автоматизации размещения ИМЭ.