LAMPlace: Legalisierungsunterstütztes verstärkendes Lernen für die Makroplatzierung von Mixed-Size-Designs mit vorplatzierten Blöcken

Die Makroplatzierung ist eine entscheidende und komplexe Aufgabe im Chip-Design. In den letzten Jahren hat sich verstärkendes Lernen (RL) als vielversprechender Ansatz für die autonome Generierung effektiver Makroplatzierungen auf einer gitterbasierten Chip-Oberfläche entwickelt. Bestehende RL-basierte Makroplatzierer stoßen jedoch auf Herausforderungen, wenn sie mit Makros unterschiedlicher Größe und vorplatzierten Blöcken umgehen müssen. Die Verwendung von grobkörnigen Gittern führt zu einer Verschwendung von Platz und die Verwendung feinkörniger Gitter führt zu einem exponentiell wachsenden Lösungsraum und erheblichen Rechenaufwand. Dieser Beitrag schlägt eine legalisierungsunterstützte, RL-basierte Makroplatzierung (LAMPlace) für Mixed-Size-Designs mit vorplatzierten Blöcken vor. LAMPlace nutzt RL, um eine globale Makroplatzierung zu generieren, die mögliche Überlappungen zulässt, gefolgt von einem Algorithmus zur Legalisierung von Makros, um die Rechtmäßigkeit der Makroplatzierung zu gewährleisten. LAMPlace kann effektiv mit Makros unterschiedlicher Größen und vorplatzierten Blöcken umgehen, da der Algorithmus zur Generierung der Aktionsmaske im RL gut mit dem Algorithmus zur Legalisierung von Makros gekoppelt ist. Im Vergleich zu den modernsten Arbeiten zeigen experimentelle Ergebnisse zu öffentlichen Benchmarks für die Makroplatzierung in verschiedenen Größen, dass LAMPlace effektiv ist.