Fast System Technology Co-Optimization Framework for Emerging Technology Based on Graph Neural Networks

本文提出了一种快速系统技术协同优化（STCO）框架，针对新型材料和器件架构所带来的挑战和机遇，针对下一代集成电路设计，优化功耗、性能和面积（PPA）。我们专注于利用人工智能技术加速STCO的技术水平，通过采用基于图神经网络（GNN）的方法进行TCAD模拟和单元库特性化，二者通过一个统一的紧凑模型相互连接，相比传统方法实现了超过100倍的加速。这些进展使得STCO的全面迭代运行时间加速范围从1.9倍到14.1倍，并支持新兴和传统技术。

本篇论文旨在提出一种快速的系统技术协同优化（STCO）框架，为下一代IC设计优化功耗、性能和面积（PPA），并解决新材料和器件架构带来的挑战和机遇。

本文采用基于图神经网络（GNN）的方法，通过统一的紧凑模型，同时针对TCAD模拟和单元库特征化进行优化，实现了超过100倍的速度提升，从而加速了STCO的技术水平。这些进展使得STCO迭代全面加速，运行速度提高了1.9倍至14.1倍，并支持新兴和传统技术。

本文的亮点包括采用GNN方法进行TCAD模拟和单元库特征化的优化，以及通过统一的紧凑模型实现超过100倍的速度提升。实验设计详细，使用了多个数据集，并提供了开源代码。值得深入研究的工作包括如何进一步优化GNN方法以及如何将该框架应用于更广泛的领域。

在这个领域中，最近的相关研究包括：1. 'A Comprehensive Survey on AI-Driven System-Level Design Automation'；2. 'System Design Space Exploration and Optimization using Machine Learning Techniques'；3. 'Graph Neural Networks for Accurate and Efficient Physical Design Verification'.