ME平臺是芯行紀科技有限公司（以下簡稱“芯行紀”）Machine-Learning EDA平臺，意在打造人工智能EDA以實現(xiàn)技術變革。

        芯行紀此前推出布局規(guī)劃工具AmazeFP以解決后端工程師們手動擺放宏單元費時又費力這個痛點。AmazeFP基于其強大并完全內置的 Placer + Global Route + Timer 等核心引擎, 配以Timing Driven +Dataflow Driven等技術，在極短時間內完成Floorplan，媲美甚至超越了以往用數(shù)周乃至數(shù)月手工擺放才達到的PPA，大大地提升了Floorplan效率。AmazeFP-ME將最新的AI技術引入到AmazeFP的解空間探索中，在AmazeFP的基礎上進一步顯著地提升了PPA。

        AmazeFP利用算法得到一個Memory/IP等宏單元位置的最優(yōu)解，并且會基于時序以及擁塞評估，同時考慮到用戶習慣、流片需求以及Bump位置等因素將這些Memory/IP對齊成為一個可簽收的Floorplan ( Pack過程)。在整個過程中，有不少的參數(shù)會影響最優(yōu)解及Pack后的形狀從而影響最后的PPA。這些參數(shù)組成的解空間巨大，尤其是Hard Block數(shù)量眾多時，Pack的解空間尤其巨大。怎樣在調參的基礎上，利用機器學習在最短時間內得到全局的理論最優(yōu)解？AmazeFP-ME的方案能在短時間內自我學習，同時探索巨大的解空間，成功地得到更優(yōu)的全局解。

實際使用案例

        此案例是一個圖形編解碼模塊，Memory所占比例較高。圖一是用了數(shù)周時間手動調出來的Floorplan；圖二是AmazeFP在2個小時內得到的Floorplan。圖三為兩者在P&R工具里的PPA對比。

圖一：User Floorplan

圖二：AmazeFP Floorplan

圖三: User/AmazeFP Floorplan QoR對比

        可以看到，使用AmazeFP本身在不到2個小時，得到的Floorplan方案已經優(yōu)于手工擺放數(shù)周的結果。那還存不存在更優(yōu)解？

在AmazeFP的基礎上，測試AmazeFP-ME的結果：

圖四: AmazeFP-ME QoR趨勢圖

        圖四是ME的QoR趨勢圖，此圖最好是一個逐步收斂的圖，橫坐標是run（運行）AmazeFP的次數(shù)，縱坐標是每個run的分數(shù)（打分機制是分數(shù)越低QoR越好）。可以看到，隨著run數(shù)目的增加，ME可以得到更多的更優(yōu)解，并在第26個run得到了整個搜索的最優(yōu)解。在此過程中，由于自帶可分布式計算，AmazeFP-ME跑完所有的嘗試所花時間也非常可控。

圖五： AmazeFP-ME評判分數(shù)圖（局部）

        從具體的評判指標來看， ME找到了10多個比Baseline（AmazeFP默認跑出來的結果）更好的Floorplan。其中最好的分數(shù)是73.6分 (Baseline的分數(shù)是100分)，相比于Baseline，Overflow改進了70%，Wirelength改進了8%，TNS改進了20%。

圖六：ME分數(shù)最高的Floorplan

考慮到用戶更關心最終的布局布線流程的結果，以下是上面的幾個FP在跑完AmazeSys整個P&R（布局布線）流程的最終結果。

圖七：User/AmazeFP/ME Floorplan的P&R QoR對比

        可以看到，ME分數(shù)最高的Floorplan，繼續(xù)在P&R中顯示出了最好的PPA (ME > Baseline > User Floorplan)。與ME里看到的趨勢非常一致，AmazeFP以及AmazeFP-ME產生的Floorplan結果得到了最終布局布線結果的證明。

        進一步驗證AmazeFP和P&R工具的PPA一致性：我們隨機選擇10個ME的結果，對比ME和P&R工具的一致性(Congestion/Wirelength/TNS)。從下圖可以看到，整個趨勢非常一致。

圖八：AmazeFP-ME/AmazeSys Overflow對比

圖九：AmazeFP-ME/AmazeSys TNS對比 (歸一化)

        下圖是更多的ME產生的Floorplan，可以看到，AmazeFP-ME一直在不同的方向上探索，以找到更好的PPA的方案。

圖十：ME探索出來的更多的Floorplan（部分）

芯行紀正在實現(xiàn)AI賦能EDA，落地的方案給客戶帶來真實的價值。