GoPlace: ゲームのようなチップ配置

現代の超大規模集積回路 (VLSI) 設計における重要なステージとして、配置は最適な性能を達成するために、さまざまなサイズの回路モジュールを 2D チップキャンバス上に配置する重要な役割を果たします。近年、配置に機械学習手法を適用することが、効率を大幅に向上させ、優れた結果を達成するための有望な解決策として浮上しています。しかし、機械学習駆動の手法はまだ初期段階にあり、探索や収束の難しさなどの課題に直面しています。また、ネットリストデータと配置情報を統合することも困難です。本論文では、これらの課題に対処するために深層強化学習を活用した新しいアプローチを提案します。まず、配置情報を保存し使用するための課題に対処するための多層チップキャンバス状態表現法を提案します。さらに、配置情報を生成する補助としてグラフニューラルネットワークを使用します。次に、この論文では半共有ポリシーと価値ネットワークを提案し、チップ配置のスケールと複雑性に対応するために残差型ニューラルネットワークを提案します。最後に、公開ベンチマークの8つの回路に関する広範な実験により、GoPlaceは他の強化学習ベースの手法と比較して10%〜25%の配線長削減を達成し、最も低い混雑度を実現し、重複ゼロを保証します。