ECO-GNN: Signoff Power Prediction Using Graph Neural Networks with Subgraph Approximation
نویسندگان
چکیده
Modern electronic design automation flows depend on both implementation and signoff tools to perform timing-constrained power optimization through Engineering Change Orders (ECOs), which involve gate sizing threshold-voltage ( V th )-assignment of standard cells. However, the ECO is highly time-consuming, improvement hard predict in advance. Ever since industrial benchmarks released by ISPD-2012 gate-sizing contest, active research has been conducted extensively improve process. Nonetheless, previous works were mostly based heuristics or analytical methods whose timing models oversimplified lacked formal validations from commercial tools. In this article, we propose ECO-graph neural networks (GNN), a transferable graph-learning-based framework, harnesses GNNs commercial-quality discrete -assignment. One highlights our framework that it generates tool-accurate results instantly unseen netlists are not utilized training Furthermore, subgraph approximation technique inferencing time proposed GNN model. We show instances with non-overlapping subgraphs can be optimized parallel so as inference learning-based Finally, implement GNN-based explanation method interpret achieved framework. Experimental 14 designs, including RISC-V-based multi-core system renowned benchmarks, demonstrate achieves up 14× runtime similar quality compared Synopsys PrimeTime , an industry-leading tool.
منابع مشابه
Subgraph Pattern Neural Networks for High-Order Graph Evolution Prediction
In this work we generalize traditional node/link prediction tasks in dynamic heterogeneous networks, to consider joint prediction over larger k-node induced subgraphs. Our key insight is to incorporate the unavoidable dependencies in the training observations of induced subgraphs into both the input features and the model architecture itself via high-order dependencies. The strength of the repr...
متن کاملrodbar dam slope stability analysis using neural networks
در این تحقیق شبکه عصبی مصنوعی برای پیش بینی مقادیر ضریب اطمینان و فاکتور ایمنی بحرانی سدهای خاکی ناهمگن ضمن در نظر گرفتن تاثیر نیروی اینرسی زلزله ارائه شده است. ورودی های مدل شامل ارتفاع سد و زاویه شیب بالا دست، ضریب زلزله، ارتفاع آب، پارامترهای مقاومتی هسته و پوسته و خروجی های آن شامل ضریب اطمینان می شود. مهمترین پارامتر مورد نظر در تحلیل پایداری شیب، بدست آوردن فاکتور ایمنی است. در این تحقیق ...
fault location in power distribution networks using matching algorithm
چکیده رساله/پایان نامه : تاکنون روشهای متعددی در ارتباط با مکان یابی خطا در شبکه انتقال ارائه شده است. استفاده مستقیم از این روشها در شبکه توزیع به دلایلی همچون وجود انشعابهای متعدد، غیر یکنواختی فیدرها (خطوط کابلی، خطوط هوایی، سطح مقطع متفاوت انشعاب ها و تنه اصلی فیدر)، نامتعادلی (عدم جابجا شدگی خطوط، بارهای تکفاز و سه فاز)، ثابت نبودن بار و اندازه گیری مقادیر ولتاژ و جریان فقط در ابتدای...
Voltage Stability Prediction on Power Networks using Artificial Neural Networks
Received Jan 9, 2018 Revised Mar 2, 2018 Accepted Mar 18, 2018 The objective of this paper is to predict the secure or the insecure state of the power system network using a hybrid technique which is a combination of Artificial Neural Network (ANN) and voltage stability indexes. Voltage collapse or an uncontrollable drop in voltage occurs in a system when there is a change in the condition of t...
متن کاملذخیره در منابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ژورنال
عنوان ژورنال: ACM Transactions on Design Automation of Electronic Systems
سال: 2023
ISSN: ['1084-4309', '1557-7309']
DOI: https://doi.org/10.1145/3569942