基于SoC静态压降大数据的预测系统

SoC Analyser是一个拥有高性能的SoC静态压降大数据分析系统。它可以根据一张芯片特征图，精准地预测芯片各个位置的电压降。这对于大规模集成电路的设计具有重要意义。

SoC Analyser能够在5种主流芯片设计的静态压降预测任务中获得0.0008平均误差及92%相关系数，并且拥有比静态分析工具更快的运行速度。

你可以通过以下步骤复现我们的实验。

☀️环境配置

git clone https://github.com/HeartyHaven/soc-Analyzer
cd soc-Analyzer

安装依赖：创建环境

conda create -n soc_analyser python==3.9.16
conda activate soc_analyser
pip install --upgrade pip # enable PEP 660 support

安装依赖

pip install -r requirements.txt

🚀数据获取

我们使用行芯EMIR分析工具GloryBolt对集成电路网表的抽取结果进行静态压降分析。我们提供了一个拥有7322条网表抽取结果的数据集，你可以通过百度网盘下载:请下载所有的tar.gz文件并且将所有下载内容保存在同一个文件夹dataset中。

下载完毕后，执行

cd dataset
for file in *.tar.gz; do tar -xzvf "$file"; done

⌛数据预处理

输入数据

下载数据后，请将输入数据按照如下格式存放：

-data
| - nvdla-small_freq_200_mp_1_
|  |- eff_res.rpt.gz
|  |- min_path_res.rpt.gz
|  |- power.rpt.gz
| - nvdla-small_freq_200_mp_2_
| - nvdla-small_freq_200_mp_3_
 ...

然后执行以下命令

python feature_extraction/process_data.py \
--data_root path/to/your/data

这将从你的数据中提取关键信息，并且以数组的形式保存在本地。

数据集生成

python feature_extraction/generate_training_set.py

生成索引

python feature_extraction/generate_csv.py

这将生成索引文件train.csv,test.csv.

⭐模型训练

本项目提供预训练模型参数model.pth，可直接用于测试。

从头训练： 使用batch_size=1170，在8*RTX 4090设备上进行训练约12小时以获得SoC Analyser模型。我们观察到参数batch_size与训练效果呈正相关。所以降低batch_size可能导致性能下降。

训练前，请在args/train.json中修改参数save_path、ann_file、data_root为结果保存路径、train.csv路径以及抽取的特征文件所在路径。

如果想用预训练参数初始化模型，请定义参数pretrained.

python model_training/train.py --args model_training/args/train.json

✒️模型预测与效果评估

预测前，请在model_training/args/test.json中修改参数save_path、ann_file、data_root为结果保存路径、test.csv路径以及抽取的特征文件所在路径。

python model_training/test.py --args model_training/args/test.json --pretrained path/to/your/model.pth

程序将输出详细的模型评估信息，包括在不同设计上的平均绝对误差与相关系数。你将在save_path路径下获取样本的电压降分布。

🌔 致谢

本项目代码的实现参考了CircuitNet和IREDGe项目的实现，我们对此卓越的工作表示诚挚感谢！

HeartyHaven / soc-analyser