谷歌论文：Chip Placement with Deep Reinforcement Learning。

目录

电路板制作流程

芯片制作流程

芯片布局

布局宏(macros)

模型结构

Graph Embedding

预训练Policy Network

学习过程

布局标准单元(standard cells)

总结

电路板制作流程

在讲解芯片布局之前，我们先了解电路板的大致制作流程，这和芯片设计有一定类比性，可帮助建立概念。

1，按照设计好的PCB板，对铜板进行热转印；腐蚀之后，保留需要的芯片、电阻等元件引脚及走线信息。
2，PCB布局就是排放电路图中各芯片、电阻电容等元件的位置。
3，PCB布线就是布置各元件之间的连线。

芯片制作流程

下图是intel cpu的制作流程：

1，与电路板制作类似，不过是在晶圆上制作各种晶体管。
2，光刻类似电路板制作的热转印，将事先设计好的芯片布局布线图案(掩膜)，通过紫外线刻在晶圆上；被“卡脖子”的5nm光刻机指的就是这里。

芯片布局

《Chip Placement with Deep Reinforcement Learning》尝试通过深度强化学习的方法，解决芯片布局的问题，类比于电路板制作的PCB元件布局；注意只包括布局，不包括布线。

芯片布局包含两部分：
一是标准单元(standard cells)的布局，如NAND(与非门)、NOR(或非门)、XOR(异或门)等逻辑门；
二是宏(macros)的布局，触发器、算术逻辑单元、硬件暂存器等预定义逻辑模块。

宏的布局就是论文算法要解决的问题，标准单元的布局采用分组聚类(hMETIS)和力导引(force-directed)的传统方法。

布局宏(macros)

问题描述为给定芯片的netlist，将宏放置到128X128的晶圆画布(canvas)上，以使芯片的PPA(能耗、性能和面积)最小；netlist是一张图(Graph)，描述电路图中各节点(宏或标准单元)的连接关系。

采用PPO：近端策略优化深度强化学习算法来建模宏布局。

模型学习的是某个宏具体摆放的位置，但注意放置宏的顺序不是模型学习的，而是由图的拓扑序确定的；同时优先放置较大的宏，以确保其充足空间。

模型结构

1，基于PPO结构，由Policy π(.|s) 和 state-value V(s)网络构成。
2，输入State包含所有宏的Graph Embedding、当前要放置的宏的Id、netlist metadata(比如连线、宏标准单元等数量等netlist基础信息)、Mask信息(表达不能被放置的Grid位置)。
3，Policy π(.|s)采用转置卷积(如下图一种升维方法)，最终Actions动作空间输出为128X128X1，与画布大小一致，表达的是画布上每一个Grid。

4，注意这个宏布局过程按照顺序逐个摆放，对于Policy π(.|s)来说，是一种无放回的采样；此处引入Mask作为Filter，Policy每次只能从Mask之外的Grids采样。
5，Mask一方面包含已经布局的Grid，同时也包含不满足Density约束的Grid； Density约束为了防止布局过于稠密，引起重叠。6，Policy采样采取的是贪心方法，每次选择概率最大的Grid，这个和PPO本身是有所区别。
7，即时Reward表征芯片PPA，当芯片布局完成，给出最终奖赏，其它步骤都是0。直接通过EDA Tool获得Reward，环境反馈时间比较长，这是强化学习在真实应用场景中的一个常见困难。
采用如下布线长度和布线阻塞进行近似：

 布线长度Wirelength通过HPWL方法进行估计。

Graph Embedding

Netlist Graph，通过GCN网络，同时输出Edge Embeddings和Node Embeddings。

GCN是CNN在图结构上的应用，输入为node features 和 邻接矩阵，如本例中的Macro Features和Netlist adjacency。
架构如下：

类比于CNN中的Kernel，GCN Kernel中大小K表达距离目标节点的半径。
如上，比如k=1，表达只考虑距离(阶)目标节点小于等于1的节点，也包括自身。

经过GCN网络之后，就能得到最后的节点特征向量即node embeddings，本例中网络参数更新方式为：

训练Graph Embedding的数据与即时Reward模型数据一致，应该也可以在训练Reward模型时一并更新Graph Embedding参数，或者fine-tuning方式。

预训练Policy Network

为了加速Policy Network的学习，设计了一个监督学习回归任务：数据来自EDA自动布局的10000个示例，输入包括基于Edge embeddings均值的Graph Embedding和Netlist Matadata Fc embedding；输出为reward值(布线长度及阻塞)。

将训练好的Reward回归模型参数更新到强化学习PPO Model，通过fine-tuning，能够加速训练学习。

学习过程

1，先准备布局数据，以便预训练Reward回归模型，预训练Graph Embedding。
2，结合拓扑序及宏大小，生成宏布局顺序。
3，收集训练数据(s, a, r, s')，在每一个Episode布局结束，布局标准单元并估计即时Reward。
4，训练深度强化学习模型PPO。
5，重复3、4，直至模型收敛。

布局标准单元(standard cells)

在进行Reward估计时，其实是需要将这个芯片都布局好，通过强化学习的方式将宏摆放完成后，还需要对标准单元进行摆放。标准单元的摆放，分两步：

1，通过

的聚类方式，将基本单元分成若干簇，算法的优化目标就是簇之间尽量少的连线。

2，簇之间采用力导引(force-directed)方法。

总结

深度强化学习PPO应用于芯片宏布局中，提高了芯片设计效率。
谷歌论文展示了高超的工程实践技艺，通过Graph Embedding、预训练等深度学习策略，以及丰富的先验知识，使学习约束到有限的时间内，整套解决问题的方案非常值得借鉴。