【ZiDongHua 之设计自动化收录关键词： 北京大学  自动驾驶  机器人   集成电路  EDA】
　　
　　新闻 | 无锡北京大学EDA研究院共5篇论文在ICCAD 2023大会发表
　　
　　近日，以无锡北京大学EDA研究院为完成单位的5篇论文在美国旧金山举行的第42届国际计算机辅助设计会议（ICCAD 2023）上发表，向国际电子设计自动化（EDA）领域的同行展示了无锡北京大学EDA研究院最新的研究成果。这5篇论文内容涉及EDA算法和物理后端设计，人工智能调度、映射和加速器设计方法隐私计算等多个学术前沿领域。林亦波研究员还获得了首届最佳审稿人奖。
　　
　　
　　
　　图：林亦波研究员获得ICCAD首届最佳审稿人奖
　　
　　PART 01
　　
　　考虑二阶信息的宏模块布局
　　
　　优化技术
　　
　　宏模块布局是大规模集成电路物理设计中的关键环节，也是近年来备受关注的问题。由于宏模块占据了芯片版图大量面积，对最终设计的性能影响巨大。近年来，不少研究尝试利用人工智能或解析方法改进宏模块布局，这些方法都依赖混合尺寸布局引擎作为内核。然而，现有的混合尺寸布局内核存在稳定性差、不易收敛的问题。林亦波研究员团队提出了一种改进的混合尺寸布局引擎内核，实现鲁棒布局收敛和宏模块合法化，并在MMS、ISPD2005和TILOS测试用例上分别达到了6.5%、29.6%和33.3%的线长优化。通过将该内核集成到英伟达AutoDMP宏模块布局工具中，提高了帕累托前沿的搜索性能。该工作以《Stronger Mixed-Size Placement Backbone Considering Second-Order Information》为题发表（博士生陈一帆为第一作者，林亦波研究员为通讯作者）。
　　
　　PART 02
　　
　　AI与异构计算加速物理设计
　　
　　优化技术
　　
　　布线拥塞和时序是集成电路物理设计中关注的重要指标。随着设计复杂度增加，拥塞和时序问题日益凸显。传统基于CPU的拥塞和时序分析方法往往在8-16线程即达到饱和，难以通过增加CPU线程继续提升效率，导致设计优化效率低下。林亦波研究员团队提出利用AI建模技术和GPU异构并行加速拥塞和时序优化，并克服传统设计流程各环节之间的信息依赖。进一步在开源AI for EDA数据集CircuitNet上进行了验证，实现了高效拥塞和时序优化。该工作为ICCAD邀请报告，并以《Accelerating Routability and Timing Optimization with Open-Source AI4EDA Dataset CircuitNet and Heterogeneous Platforms》为题发表（博士生江循和郭资政为共同第一作者，林亦波研究员为通讯作者）。
　　
　　PART 03
　　
　　可靠性增强的神经网络加速器
　　
　　数据流优化算法
　　
　　随着近年来深度学习的快速发展，硬件加速器越来越多地应用于自动驾驶、机器人等安全关键的领域。然而，加速器通常采用先进的工艺节点制造来提高性能和能效，但也更容易受到工艺、电压、温度和老化（PVTA）变化的影响而产生时序错误。通过重新审视时序错误的物理来源，发现加速器中的大部分时序错误是由一种特定的输入模式导致的，我们称之为关键输入模式。为了提高加速器对于时序错误的鲁棒性，提出了一种可靠性增强的加速器数据流优化技术（READ），从而有效减少时序错误。READ通过探索将训练好的深度神经网络映射到加速器时的最优计算顺序，来减少关键输入模式的出现。在VGG和ResNet上的实验结果表明，READ平均将时序错误率（TER）降低7.8倍。该工作以《READ: Reliability-Enhanced Accelerator Dataflow Optimization using Critical Input Pattern Reduction》为题发表（张作栋博士后为第一作者，李萌研究员为通讯作者）。
　　
　　PART 04
　　
　　面向边缘设备的高效内存
　　
　　感知调度算法
　　
　　在资源受限的边缘端设备上进行深度神经网络（DNN）推理时，考虑内存的网络调度变得越来越重要。然而，由于神经网络的拓扑结构十分复杂，考虑内存的调度变得非常具有挑战性。该论文提出了基于迭代计算图优化的高效考虑内存的调度框架，采用了一种迭代图融合算法，可以在保持调度最优性的同时简化计算图。进一步提出了一个整数线性规划模型，结合拓扑感知的变量剪枝，来高效地调度简化后的计算图。在不同的网络上评估了我们的方法与先前的算法的对比，并证明了该方法在所有的基准测试中都优于现有的技术，将峰值内存占用量降低了13.4%以上。该工作以《Memory-aware Scheduling for Complex Wired Networks with Iterative Graph Optimization》为题发表（博士生仲书璋为第一作者，李萌研究员为通讯作者）。
　　
　　PART 05
　　
　　面向轻量级神经网络的高效
　　
　　同态加密打包算法
　　
　　轻量级神经网络，例如 MobileNetV2，EfficientNet等，以轻量的计算实现了最先进的准确率。然而，现有的基于同态加密的两方计算框架并没有针对这些网络进行优化，导致了高昂的推理开销。因此，该论文提出了Falcon，一种针对基于同态加密的两方计算框架的有效的密集打包算法。Falcon采用了一种零感知的贪心打包算法和一种通信感知的算子切割策略，来提高逐深度卷积的打包密度。Falcon在算子级别较CrypTFlow2, Iron和Cheetah分别实现了超过 15.6 倍，5.1 倍和 1.8 倍的延迟降低。同时，在网络级别，Falcon 在 Tiny Imagenet 数据集上分别实现了4.2% 的准确率提升。该工作以《Falcon: Accelerating Homomorphically Encrypted Convolutions for Efficient Private Mobile Network Inference》为题发表（博士生许天识为第一作者，李萌研究员为通讯作者）。
　　
　　背景链接
　　
　　由电气电子工程师学会（IEEE）和美国计算机学会（ACM）共同举办的国际计算机辅助设计会议（ICCAD）被公认为EDA领域最重要的会议之一，享有很高的国际学术地位和广泛的影响力。该会议是探索EDA研究领域新挑战、展示前沿创新解决方案和识别新兴技术的重要论坛，涵盖了从器件和电路级到系统级的所有设计与自动化主题、以及后CMOS设计等新型方向。ICCAD 2023为第42届会议，于2023年10月29日至11月2日在美国旧金山举行。
　　
　　无锡北京大学EDA研究院是在黄如院士的倡议和关怀下，由北京大学和无锡市高新区共同发起成立的民办非企业单位。研究院以北京大学集成电路学院为依托，致力于EDA关键技术的研发，并积极推动研究成果产业化，加速国内EDA产业的发展，努力将研究院打造成为产学研相结合的重要平台，成为国内EDA产业乃至集成电路产业发展的重要引擎。