As the technology node keeps shrinking, IR drop has become a critical issue of VLSI system design. IR drop impairs circuit performance and may lead to timing issues such as setup/hold violations. Conventional IR drop analyzers solve a large linear equation to attain static/dynamic IR drop, but it takes substantial runtime when the design has millions of nodes. In this paper, we present a machine-learning model that uses image-to-image translation to predict static/dynamic IR drop rapidly. In contrast to most of previous approaches that applied machine learning to calculate IR drop, our model can predict IR drop of designs with different PDN structures. In addition, we predict IR drop region-by-region rather than cell-by-cell to reduce inference time. Compared to commercial IR drop analysis tool (ANSYS Redhawk), our model reduced runtime by 4-5x while achieving an error rate below 18%.
공정 기술이 갈수록 미세화됨에 따라, 전압 강하는 초대규모 집적회로 시스템을 설계하는데 있어 중대한 문제가 되고 있다. 전압 강하는 회로의 성능 저하를 유발하여 셋업/홀드 위반과 같은 타이밍 문제를 일으킬 수 있다. 기존의 전통적인 전압 강하 분석 툴들은 매우 큰 선형방정식을 풀어서 정적/동적 전압 강하를 계산한다. 하지만, 위 방법은 수백만개의 노드를 가진 큰 디자인의 경우, 분석에 상당한 시간을 요구하게 된다. 본 논문에서는 이미지에서 다른 이미지를 얻는 기계학습 모델을 이용하여 정적/동적 전압 강하를 빠르게 예측한다. 본 논문에서 제안한 모델은 기계학습을 이용하여 전압 강하를 예측한 이전 연구들과는 다르게 다양한 PDN 구조 및 디자인에 대해서도 전압 강하를 예측할 수 있도록 하였다. 또한 전압 강하를 예측할 때, 모델의 인퍼런스 시간을 줄이기 위하여 표준 셀 별로 예측하는 것이 아니라 영역별로 예측하였다. 본 연구에서 제안한 모델은 전압 강하 분석 툴인 ANSYS사의 Redhawk 대비 18% 미만의 error로 분석시간을 4-5배 단축하였다.
