PDNNet: PDN-Aware GNN-CNN Heterogeneous Network for Dynamic IR Drop Prediction

PDN的电源传递网络上的IR drop与PDN的配置和电池电流消耗密切相关。随着集成电路设计的规模越来越大，动态IR drop模拟变得计算成本高昂，基于机器学习的IR drop预测被探索作为一种有前途的解决方案。尽管在几项工作中已经将基于CNN的方法应用于IR drop预测任务，但忽略PDN配置的缺点是不可忽视的。在本文中，我们不仅考虑如何适当地表示电池-PDN关系，还考虑如何在特征聚合过程中模拟IR drop的物理性质。因此，我们提出了一种新颖的图形结构PDNGraph，以统一PDN结构和细粒度电池-PDN关系的表示。我们进一步提出了一个双分支异构网络PDNNet，将两个并行的GNN-CNN分支结合起来，以在学习过程中有利地捕捉上述特征。我们提出了几个关键设计，使动态IR drop预测高度有效和可解释。我们是第一个将图形结构应用于基于深度学习的动态IR drop预测方法的工作。实验表明，PDNNet在预测误差上比最先进的基于CNN的方法提高了高达39.3％的降低，并且与商业工具相比实现了545倍的加速，这证明了我们方法的优越性。

本论文旨在解决动态IR drop预测中PDN结构和单元-PDN关系的表示问题，提出了一种图结构PDNGraph和双分支异构网络PDNNet，以更好地捕捉这些特征。

通过提出PDNGraph和PDNNet，本文将图结构引入了基于深度学习的动态IR drop预测方法中，相比现有CNN-based方法，提高了预测准确率并大幅减少计算时间。

本文提出的PDNGraph和PDNNet能够更好地捕捉PDN结构和单元-PDN关系，从而提高动态IR drop预测的准确率和速度。实验结果表明，PDNNet在预测误差方面优于现有CNN-based方法，并且计算速度比商业工具快545倍。

与本文相关的研究包括使用CNN-based方法进行IR drop预测的先前工作，但这些方法忽略了PDN结构的影响。