《Integration》:RL-guided simulation beam search for pre-assigned RDL routing in FO-WLP
编辑推荐:
•提出了一种用于FO-WLP中PA-RDL布线的强化学习引导的模拟束搜索框架。•深度Q网络(DQN)在束搜索过程中引导局部前缀扩展。•前缀级可布线性风险评估(PRRE)用于估计未来布线影响。•该方法通过保留关键布线资源来提高布线鲁棒性。•在密集基准测试中取得了优越的可布线性和
- •
提出了一种用于FO-WLP中PA-RDL布线的强化学习引导的模拟束搜索框架。
- •
深度Q网络(DQN)在束搜索过程中引导局部前缀扩展。
- •
前缀级可布线性风险评估(PRRE)用于估计未来布线影响。
- •
该方法通过保留关键布线资源来提高布线鲁棒性。
- •
在密集基准测试中取得了优越的可布线性和有竞争力的线长。
引言
扇出型晶圆级封装(FO-WLP)已成为高密度和高性能多芯片集成的一项关键技术。在这类系统中,芯片间连接通过一层或多层重新布线层(RDL)来实现,使得RDL布线成为封装设计中的关键步骤。然而,由于布线容量有限以及I/O和凸点焊盘的密集分布,布线决策必须经过精心规划以避免资源冲突。
图1展示了多芯片FO-WLP封装的物理结构以及本工作所考虑的具有代表性的RDL布线场景。如图1(b)所示,布线路径必须在受约束的网格内连接预先分配的I/O焊盘,其中早期的布线决策可能会占用关键通道,限制后续网络的可行性。这种顺序性和资源受限的特性使得RDL布线在密集的FO-WLP设计中尤为具有挑战性。
重新布线层(RDL)布线在倒装芯片和先进封装设计中已被广泛研究。现有问题通常根据I/O到凸点映射的灵活性被分为自由分配(FA)、预分配(PA)和统一分配(UA)布线[1]。早期研究主要集中在FA和UA设置上,其中分配和布线可以通过网络流、障碍物感知和几何布线公式联合优化[2]、[3]、[4]。相比之下,PA布线更具挑战性,因为凸点分配是预先固定的,布线期间的灵活性要小得多。先前的工作使用基于整数规划的公式和高效的组合技术来解决PA布线问题[5]、[6]。然而,这些方法主要评估当前网络,对于评估早期布线决策如何影响后续网络可布线性方面的能力有限。
随着扇出型晶圆级封装(FO-WLP)和异构集成的发展,RDL布线已扩展到更复杂的封装级场景。Lin等人研究了集成扇出型晶圆级封装和堆叠封装结构的重新布线[7]、[8]。后续工作进一步考虑了包含不规则通孔、不规则焊盘结构和动态通孔插入的多层布线[9]、[10]、[11]。此外,任意角度布线和层次化划分已被引入以提高先进封装布线中的几何灵活性和可扩展性[12]、[13]。相关研究还探索了芯片-封装和封装-板级协同设计,包括小芯片-封装系统的自适应布线、区域分配、伪单层布线和统一面积-I/O分配[14]、[15]、[16]、[17]。这些研究表明,现代RDL布线必须同时处理严格的几何约束、制造规则和封装级设计交互。
同时,基于学习的方法在布线相关的电子设计自动化(EDA)问题中展现出日益增长的潜力。强化学习已被应用于全局布线、有限训练数据下的布线以及具有前瞻能力的搜索式布线[18]、[19]、[20]、[21]。最近,基于强化学习的详细布线也已针对定制电路进行了研究[22]。尽管这些方法表明学习可以改善布线决策,但直接将计算开销大的前瞻策略应用于密集的PA-RDL布线仍然困难,因为候选部分路径必须在高度受限的布线资源下反复评估。
总体而言,现有研究已从分配优化、几何灵活性、可制造性、可扩展性和基于学习的决策支持等方面改进了RDL布线[3]、[4]、[5]、[7]、[8]、[9]、[10]、[11]、[12]、[14]、[15]、[16]、[17]、[22]。然而,大多数先前的方法仍然主要根据局部代价或即时可行性来对布线候选者排序。在密集的PA-RDL布线中,这是不够的,因为一个表面上有利的早期前缀可能会消耗关键布线资源,并显著降低剩余网络的可布线性。受此局限性启发,我们的工作专注于顺序布线过程中的前缀级未来影响评估,并将学习引导的扩展与基于模拟的束搜索相结合,以提高密集FO-WLP PA-RDL场景中的可布线性。
本工作的主要贡献总结如下:
- 1.
我们提出了一种混合RDL布线框架,将深度强化学习与模拟引导的束搜索统一起来,其中学习到的策略引导局部路径扩展,模拟过程评估长期可布线性。
- 2.
我们提出了一种前缀级可布线性风险评估(PRRE)方案,从三个互补方面评估候选布线前缀:局部路径代价、连通性风险和绕道惩罚。该设计实现了有效且轻量级的可布线性感知搜索。
- 3.
我们在多个基准测试实例上验证了所提出的方法。实验结果表明,该方法在保持有竞争力线长的同时,始终取得更高的可布线性。
本文其余部分组织如下。第2节回顾SGBS和DQN的基本知识。第3节建立了PA-RDL布线问题的模型。第4节详细介绍了所提出的基于强化学习的SGBS框架。第5节展示了实验结果。第6节对论文进行总结。
章节摘要
模拟引导的束搜索(SGBS)
束搜索是一种宽度受限的启发式搜索策略,在每一层深度仅保留前个前缀。它通过缩小搜索空间同时避免贪心搜索的过度短视,在解质量和计算成本之间提供了实用的折中。
问题定义
给定一个预分配的重新布线层(PA-RDL)布线实例,目标是为所有网络构建可行的布线路径,同时满足布线容量和设计规则约束。在所考虑的多芯片扇出型晶圆级封装(FO-WLP)场景中,芯片I/O焊盘与凸点焊盘之间的连接是预先确定的。因此,布线器无法修改I/O–凸点分配,必须在严格的几何和布线资源
方法
给定一个预分配(PA)RDL布线实例,目标是严格的容量约束下顺序布线所有网络。为此,我们提出了一种两阶段全局布线框架,将深度强化学习与模拟引导的束搜索相结合。
如图3所示,整体流程从预处理步骤开始,将多引脚网络分解为两引脚子网。在第一阶段中,每个子网通过DQN引导的模拟引导束搜索(SGBS)进行布线
实验设置
所有算法均使用C++实现,并在相同的硬件和软件环境下进行评估。实验在3.10 GHz双核Intel Core i5 CPU(配备8 GB内存)上进行,未使用GPU加速或并行化。
设表示布线网格的最大边长。SGBS和PRRE的主要参数,包括搜索预算、候选扩展设置、评估权重和终止准则,总结于表1中。主要的DQN
结论与未来工作
本文提出了一种用于密集FO-WLP设计中PA-RDL布线的基于强化学习的束搜索框架。通过将DQN引导的前缀扩展与模拟引导的束搜索以及前缀级可布线性风险评估(PRRE)相结合,所提出的方法显式考虑了布线决策的未来影响,从而能够更有效地保留关键布线资源。
实验结果表明,所提出的框架在
利益冲突声明
作者声明他们没有已知的可能影响本文所报告工作的竞争性经济利益或个人关系。
邓兴国 | 苗国锐 | 陈佳瑞