Recently, to meet the increasing demand of high bandwidth systems, the number of I/Os and interconnections for 2.5D/3D ICs is also growing. Accordingly, the pin count of the ball grid array (BGA) is getting larger along with signal integrity issues. In this paper, we propose BGA-opt, a novel deep reinforcement learning (DRL)-based pin assignment method that represents ball grid array (BGA) packages on graphs for minimizing signal integrity degradation. The proposed method represents the pin arrangement of BGAs in graphs to formulate the pin assignment task to a variant of the maximum independent set (MIS). Then, a state-of-the-art DRL-based MIS solver was introduced to solve our task. Unlike previous methods of BGA optimization, the proposed graph representation of pins makes it possible to assign pins of any shape. Moreover, the significant scaling performance enables us to handle BGA with high pin count. We verify that the proposed DRL-based method with graph representation is effective by comparing it with conventional meta-heuristic methods including genetic algorithms.
최근 고대역폭 시스템의 증가하는 수요를 충족시키기 위해 2.5D/3D IC용 I/O 및 인터커넥션의 수도 증가하고 있다. 이에 따라 신호 무결성 문제와 함께 볼 그리드 어레이의 핀 수가 증가하고 있다.본 논문에서는 이런 신호 무결성 문제를 최소화하기 위해 그래프에 볼 그리드 어레이 패키지를 나타내는 새로운 심층 강화 학습 기반 핀 할당 방법론을 제안한다. 제안한 방법론은 최대 독립 집합의 변형된 문제로 핀 할당 최적화 문제를 세팅하기 위해 그래프에서 볼 그리드 어레이의 핀 배열을 나타낸다. 그리고 최첨단 심층강화학습 기반의 최대 독립 집합 문제에 대한 솔버를 도입하여 핀 할당 최적화 문제를 푼다. 이전의 볼 그리드 어레이의 핀 할당 최적화 방법들과는 달리, 제안한 방법론은 핀을 그래프로 나타내어 어떠한 모양의 핀 할당도 수행할 수 있고 규모가 큰 핀 수의 볼 그리드 어레이를 처리할 수 있다. 마지막으로 제안된 심층 강화학습 기반의 방법론이 유전자 알고리즘을 포함한 기존의 메타 휴리스틱 방법과 비교하여 그 성능이 효과적인지 검증한다.
