.png){kind=icon}
返回
URoute: Universal Routability Prediction
.png){kind=icon}
PRE
AI
DOI：10.1109/tcad.2025.3636449.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习已成为预测超大规模集成电路（VLSI）布线可行性的主导技术。然而，它通常难以泛化到各种任务，并且在处理电子设计自动化（EDA）中固有的数据不平衡问题时表现不佳。克服这些挑战通常需要重新训练或微调模型，这对缺乏神经网络训练资源和专业知识的设计工程师构成了重大困难。鉴于此，我们首次提出并解决了布线可行性预测的通用问题。通过将此问题框架为元学习场景，我们提出了一种基于少样本学习（FSL）的方法URoute，它能够利用查询芯片的特征和标记示例，无需额外训练即可灵活适应新任务。为解决数据不平衡问题，我们进一步提出了一种基于重要性采样的元学习策略来优化模型训练过程。为验证URoute的通用性和适应性，我们基于CircuitNet和ISPD2015数据集构建了一个FSL数据集。实验结果表明，在处理未见过的布线可行性预测任务时，URoute相比现有方法表现出更强的鲁棒性和灵活性，并取得了具有竞争力的结果。
Keyword:
Few-shot learning (FSL)
meta-learning
physical design
placement
routing
期刊
I
IF:
2.9
论文数:
668
被引数:
9.6K
机构
引用论文
ISPD 2015 Benchmarks with Fence Regions and Routing Blockages for Detailed-Routing-Driven Placement
PREAI
分享收藏分享收藏Wang, Z., Yin, J., Chao, W., Zhang, X., 2025. Inducing mononuclear cells of patients with CADASIL to construct a CSVD disease model. Eur J Med Res 30, 227. https://doi.org/10.1186/s40001-025-02491-w王, Z., 尹, J., 超W., 张, X., 2025. 诱导CADASIL患者的单核细胞构建CSVD疾病模型. Eur J Med Res 30, 227. https://doi.org/10.1186/s40001-025-02491-w.png)
IF0
PREAI
分享收藏
查看更多内容