Re^2MaP: Macro Placement by Recursively Prototyping and Packing Tree-based Relocating
Yunqi Shi, Xi Lin, Zhiang Wang, Siyuan Xu, Shixiong Kai, Yao Lai, Chengrui Gao, Ke Xue, Mingxuan Yuan, Chao Qian, Zhi-Hua Zhou
这项工作引入了Re^2MaP方法,该方法通过递归原型制作和打包基于树的迁移来生成专家质量的宏放置。 我们首先执行多级宏分组和PPA感知单元聚类,以产生一个统一的连接矩阵,在宏和聚类之间捕获线长和数据流。 接下来,我们使用 DREAMPlace 构建混合大小的放置原型,并获得每个宏和集群的参考位置。 基于此原型,我们引入了基于角度的分析方法ABPlace,该方法可优化椭圆上的宏位置,以均匀地分布在芯片外围附近的宏,同时优化线长和数据流。 然后设计一个基于树的打包迁移程序,通过优化专业知识启发的成本函数,通过进化搜索捕获各种设计约束,共同调整宏组和宏的位置。 Re^2MaP 重复上述过程:每次迭代中只定位一个宏组子集,其余宏被推迟到下一次迭代,以提高原型的准确性。 使用完善的后端流和足够的时间优化,Re^2MaP在最差的负松弛(WNS)中实现了高达22.22%(平均10.26%)的改善,与最先进的学术放置者Hirer-RTLMP相比,总负松弛(平均为33.97%)提高了97.91%(平均33.97%)。 它还在WNS,TNS,电力,设计规则检查(DRC)违规行为和运行时方面排名高于会议版本ReMaP,涉及七个测试案例。 我们的代码可在https://github.com/lamda-bbo/Re2MaP上找到。
This work introduces the Re^2MaP method, which generates expert-quality macro placements through recursively prototyping and packing tree-based relocating. We first perform multi-level macro grouping and PPA-aware cell clustering to produce a unified connection matrix that captures both wirelength and dataflow among macros and clusters. Next, we use DREAMPlace to build a mixed-size placement prototype and obtain reference positions for each macro and cluster. Based on this prototype, we introduc...