Predicción de Congestión de Diseño Basada en Regression-ViT

Para acelerar el flujo de diseño de back-end de circuitos integrados (IC), numerosos estudios han realizado avances exploratorios en el aprendizaje automático (ML) para la automatización del diseño electrónico (EDA). Sin embargo, la mayoría de los trabajos de investigación están limitados a modelos de aprendizaje profundo (DL) predominantemente basados en redes neuronales convolucionales, y los modelos a menudo sufren de una mala generalización debido a la escasez de datos. En este estudio, proponemos el modelo de Redes Generativas Antagónicas Dobles (D-GAN) para enriquecer el conjunto de datos y proponemos el modelo Transformer de Visión por Regresión (R-ViT) para predecir información de congestión de diseño. En comparación con el modelo base, los resultados experimentales muestran mejoras del 3.03% y 2.64% en la Curva Característica de Operación del Receptor-Área bajo la Curva (ROC-AUC) y el Área bajo la Curva de Precisión-Recuperación (PRC-AUC) respectivamente. Para mejorar aún más la precisión de la predicción del modelo, se diseña una función de pérdida de Huber adaptativa para optimizar el proceso de entrenamiento, lo que resulta en una mejora de hasta 11.03% en ROC-AUC en comparación con el modelo base. Por último, se realizan experimentos extendidos para estudiar los efectos de los parámetros y el tamaño del kernel convolucional en el rendimiento, encontrando una mejor configuración.