تلعب عملية وضع الشرائح (Chip Placement) دورًا محوريًا في التصميم الفيزيائي للدوائر الإلكترونية. ومع ظهور نماذج توليدية مثل نماذج الانتشار (Diffusion Models) التي تقدم حلولاً قائمة على التعلم، تسلط الأضواء على بعض القيود التي تعاني منها الأساليب الحالية.
تتضمن هذه القيود: استخدام بيانات تركيبية عشوائية قبل التدريب، متطلبات زمنية طويلة لعمليات النمذجة، ونتائج غالبًا ما تنتج عنها تداخلات بسبب اعتمادها على حلول تعتمد على التدرج خلال عملية النمذجة.
ما الجديد في FlowPlace؟
هنا يأتي دور **FlowPlace**، الحل الذي يقترح نهجًا مبتكرًا يتجاوز تلك العوائق. تشمل ميزات FlowPlace ما يلي:
- **توليد بيانات تركيبية وفق الأشكال المتغيرة** (Mask-guided Synthetic Data Generation): مما يسهل عملية التعليم ويضمن نتائج دقيقة.
- **تدريب فعال قائم على تدفق البيانات** (Flow-based Efficient Training): يدعم إدراج المسبقات المرنة لتحقيق نتائج أسرع.
- **نموذج أخذ العينات ذو القيود الصعبة** (Hard Constraint Sampling): يضمن نتائج تخلو من التداخلات.
تمت التجارب على معايير OpenROAD وICCAD 2015، حيث أثبتت FlowPlace قدرتها على تحقيق مقاييس الأداء المنخفض للطاقة (PPA) أفضل، بالإضافة إلى زيادة كفاءة أخذ العينات بمعدل 10-50 مرة، مع ضمان عدم وجود تداخلات.
دعوة للتفاعل
كيف تظن أن هذه التكنولوجيا ستغير مستقبل تصميم الشرائح الإلكترونية؟ شارك رأيك معنا!