GIF：チップレイアウトにおけるIRドロップ計測のための条件付きマルチモーダル生成フレームワーク

要旨: IRドロップ解析は、オンチップの電力供給ネットワークの電源健全性（パワー・インテグリティ）を確保するために、物理チップ設計において不可欠です。トランジスタ密度のスケーリングに伴い、従来のEDA（Electronic Design Automation）ツールは遅く、かつ高価になっています。近年、IRドロップ解析を画像予測問題として定式化する機械学習（ML）ベースの手法が提案されてきました。しかし、既存のMLアプローチは、局所的および長距離の依存関係の両方を捉えることに失敗しており、物理レイアウトと論理的な接続性から得られる重要な幾何学的およびトポロジー情報を無視しています。これらの制限に対処するため、本研究では、幾何学的およびトポロジー情報の両方を用いてIRドロップ画像を生成するGIF（Generative IR drop Framework）を提案します。GIFは、画像特徴とグラフ特徴を融合させ、条件付き拡散（conditional diffusion）プロセスを導くことで、高品質なIRドロップ画像を生成します。たとえば、CircuitNet-N28データセットにおいて、GIFは0.78 SSIM、0.95 Pearson相関、21.77 PSNR、0.026 NMAEを達成し、従来手法を上回ります。これらの結果は、多モーダルな条件付けに基づく拡散を用いる本枠組みが、高品質なIRドロップ画像を確実に生成できることを示しています。これは、幾何学的レイアウト特徴と論理回路トポロジーを共同でモデル化することで、IRドロップ解析が生成モデリングの近年の進歩を効果的に活用できることを意味します。幾何に配慮した空間特徴と論理グラフ表現を組み合わせることで、GIFは、構造化画像生成のための生成モデリングに関する近年の進歩を活かしたIRドロップ解析を可能にします。