基于图神经网络的签收阶段故障率预测

《ACM Transactions on Design Automation of Electronic Systems》：Graph Neural Network-Based Glitch Rate Prediction at the Signoff Stage

动态功耗中glitch占比高达40%，传统评估方法存在精度与效率的权衡。本文提出基于图神经网络（GNN）的glitch率预测模型，结合电路结构与时序特征，通过少量输入模式预测门级尺寸调整后的glitch率，并与商业功耗分析工具集成，实现快速热点定位。实验表明模型RMSE为0.0867，相关系数0.9100，准确识别83.4%和89.78%的前5%和10%glitch功耗门，较纯商业工具优化运行时间35.78%。

　　

摘要

在现代数字设计中，动态功耗已成为一个主要问题，有报告指出毛刺（glitches）可能占总动态功耗的40%。传统的毛刺功耗评估方法，如静态分析和动态仿真，在准确性和效率之间存在权衡。本文提出了一种基于图神经网络（Graph Neural Network, GNN）的模型，该模型利用机器学习来估计毛刺发生率。该模型学习电路的结构和时序特性，并通过少量输入模式来预测基于门尺寸调整的工程变更单（Engineering Change Order, ECO）后的毛刺发生率。通过将预测的毛刺发生率与商用功耗分析工具相结合，所提出的方法能够快速识别毛刺热点，从而加速签收阶段的功耗优化。实验结果证明了该模型的有效性，其毛刺发生率预测的平均均方根误差（Root Mean Square Error, RMSE）为0.0867，相关系数为0.9100。此外，该方法能够高精度地识别毛刺热点，正确标记了最高功耗门的前5%中的83.4%以及前10%中的89.78%。与仅在优化流程中依赖商用工具进行毛刺功耗估计相比，当迭代次数与电路的逻辑层次相匹配时，所提出的方法可将运行时间平均减少35.78%。