At the very late design stage, engineering change order (ECO) leakage optimization is often performed to swap some cells for the ones with lower leakage, e.g. the cells with higher threshold voltage (V th ) or with longer gate length. It is very effective but time consuming due to iterative nature of swap and timing check with correction. We introduce a graph convolutional network (GCN) for quick ECO leakage optimization. GCN receives a number of input parameters that model the current timing information of a netlist as well as the connectivity of the cells in a form of a selective connectivity matrix. Trained by given leakage optimization results, GCN performs initial V th assignment at once. To correct timing violation which may be introduced by mis-prediction of GCN as well as to remove any minimum implant width (MIW) violations, we propose a heuristic V th reassignment. The combined GCN and heuristic achieve 37% reduction of leakage, which can be compared to 42% reduction from commercial ECO, but with 77% runtime reduction.
회로 설계의 후반부의 설계 변경 과정 중 하나인 누설 전력 최적화 과정에서는 몇몇 셀을 누설 전력이 더 낮은 (예를 들어, 문턱 전압이 더 높거나 게이트 길이가 더 긴) 셀들로 바꿔주는 작업을 수행한다. 이를 통한 누설 전력 감소는 매우 효과적이지만 셀을 바꿔주는 것과 그에 따른 타이밍 검증 및 수정의 반복적 수행으로 많은 시간이 소요된다. 본 학위논문에서는 그래프 컨볼루셔널 네트워크를 이용한 빠른 누설 전력 최적화 방법을 제안한다. 그래프 컨볼루셔널 네트워크는 회로의 현재 타이밍 정보를 얻기 위한 파라미터들과, 셀들의 연결 관계를 표현하는 선택적 연결성 행렬을 입력으로 받는다. 주어진 누설 전력 최적화 결과를 학습한 그래프 컨볼루셔널 네트워크는 초기 문턱 전압 할당을 한번에 수행하게 된다. 또한 그래프 컨볼루셔널 네트워크의 예측 오차로 인해 발생할 수 있는 타이밍 바이얼레이션과 셀들의 문턱 전압 배열 변화로 발생하는 최소 주입 너비 바이얼레이션을 고치기 위하여, 문턱 전압을 재할당하는 휴리스틱 방법을 제안한다. 기존 방법으로 누설 전력이 42% 감소한 것과 비교하여, 그래프 컨볼루셔널 네트워크와 휴리스틱 방법을 적용한 결과 누설 전력이 37% 감소하며 이때 77%의 소요 시간 감소를 얻을 수 있다.
