摘要

高性能芯片设计在7 nm及更高级的工艺节点上，设计规模更大、频率更高、设计数据和可变性更复杂，物理设计难度增大。机器学习在多领域均获得成功应用，复杂的芯片设计是应用机器学习的一个很好的领域。Cadence将机器学习算法内置到Innovus工具中，通过对芯片设计数据进行学习建模，建立机器学习模型，从而提升芯片性能表现。建立了一个应用机器学习优化延时的物理流程来提升芯片设计性能。详细讨论分析了分别对单元延时、线延时、单元和线延时进行优化对设计的影响，进而找到一个较好的延时优化方案。最后利用另一款设计难度更大，性能要求更高的模块从时序、功耗、线长等方面较为全面地分析验证设计方案的合理性。

引言

    摩尔定律揭示了集成电路的集成度和技术节点的飞速发展，这使得芯片设计的复杂度和数据量快速上升，尤其是芯片的物理设计更是涉及海量的数据和信息，且运行时间和设计周期漫长，迭代一次的时间和资源代价很大，这对设计师的经验与能力要求很高。机器学习如今在各个领域都有广泛的应用，其能学习数据规律建立模型从而快速推断结果^[1]。如果能在物理设计中应用机器学习挖掘设计规律，且基于推断的求解来进行物理设计，可加速芯片设计。国内外很多学者在此方面有了成功的研究，包括PAN D Z等详细介绍的在物理设计中应用机器学习^[2]。LI B使用机器学习由全局布线线预测详细布线结果^[3]。TSMC在物理设计中应用机器学习的两款芯片分别可使频率提升40 MHz和减少20 000时钟门控单元等^[4]。

    本文基于Cadence Innovus工具建立应用机器学习进行延时优化的物理设计流程，研究7 nm工艺下不同层金属的特性，设置三个实验组单元延时优化、线延时优化、单元和线延时同时优化与传统物理设计流程进行对比分析。同时将应用机器学习进行延时优化的物理设计流程应用到更大规模，设计复杂度更高的ARM架构的一款CPU设计中，均得到了很好地性能优化。最终确定了两款模块芯片均采用Innovus机器学习进行延时优化的物理设计流程。