3차원 회로의 클럭 트리 합성에서 기계 학습 기반 열 영향 예측 기법
Machine learning-Based Thermal Effect Prediction on Clock Tree Synthesis in 3D-IC
- 주제어 (키워드) 클럭 트리 합성 , 기계 학습 , 랜덤 포레스트 , 3차원 회로 , 열 변화; Clock tree synthesis , machine learning , random forest , 3D-IC , thermal gradient
- 발행기관 서강대학교 일반대학원
- 지도교수 김주호
- 발행년도 2024
- 학위수여년월 2024. 2
- 학위명 박사
- 학과 및 전공 일반대학원 컴퓨터공학과
- 실제URI http://www.dcollection.net/handler/sogang/000000076788
- UCI I804:11029-000000076788
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록
3차원 회로의 고 집적화와 적층 구조로 인하여, 발열 문제는 중요한 설계 고려 요소 중 하나가 되었다. 열 변화 정도와 그로 인한 불균형한 열의 분포는 클록 트리 합성단계에서 클럭 스큐의 불확실성과 함께 회로의 성능 저하를 유발할 수 있다. 발열에 직접 연관된 설계 요소가 삽입될 때마다 전력 소모량 기반 분석과 함께 열 분포를 측정하여 반영하기에는 설계 수행 시간과 그에 따른 효율성의 문제가 발생하게 된다. 따라서 본 연구에서는 랜덤 포레스트 알고리즘을 사용하여 열 정보를 학습하여, 3차원 클럭 트리 합성(CTS)에서 효율적으로 열 변화를 고려하는 방법을 제안한다. 첫째, 각 클럭 트리 요소의 열 정보에서 학습 데이터를 생성한다. 둘째, 훈련된 데이터에서 복잡한 열 효과들을 계산하고 클럭 트리 설계 요소 별로 적합하게 가공한다. 셋째, 클럭 트리 합성 각 단계에서 학습된 데이터를 이용하여 열 영향을 반영한 설계를 한다. 제안하는 방법의 검증을 위해 학습 정확도, 수행 시간, 클럭 스큐에 대한 실험을 진행한다. 정확도의 지표로는 평균 제곱 오차(MSE)와 평균 절대 오차(MAE)를 사용하고, 시뮬레이터를 이용한 열 프로파일링과 비교한다. 실험 결과는 MSE 0.004 및 MAE 0.059로 예측 알고리즘의 효율성이 검증되었다. 기존 열 프로파일링 방식에 비해 런타임이 평균 70% 단축된다. 또한, 제안하는 접근 방식을 적용하면 클럭 스큐가 더 안정적인 결과를 볼 수 있다.
more초록
The heat problem has become one of the crucial factors in three-dimensional integrated circuit (3D-IC) design. Thermal gradient and imbalanced distribution may cause uncertainty of clock skew and performance degradation in clock tree synthesis (CTS). In this work, a method based on machine learning for thermal variation consideration is proposed for 3D-CTS. The random forest, as a machine learning algorithm, is applied to 3D-CTS with the thermal information. As the first step, the training data are generated from the thermal information of each clock tree element. Then, complex thermal effects are calculated from trained data and applied to each step of CTS. Experiments are conducted to verify the learning accuracy, runtime, and the clock skew. Learning accuracy is measured by mean square error (MSE) and mean absolute error (MAE). Experimental results verify the effectiveness of our prediction algorithm with MSE 0.004 and MAE 0.059. Runtime is reduced by 70% on average compared to the existing method with thermal profiling. As a result, the clock skew is more reliable by our approach.
more목차
제 1 장 서 론 1
제 2 장 연구 배경 5
2.1 열 변이가 클럭 스큐에 미치는 영향 5
2.2 열 프로파일링 8
제 3 장 관련 연구 10
3.1 열을 고려한 3차원 클럭 트리 합성 기법 10
3.2 기계 학습을 적용한 클럭 트리 합성 기법 13
3.3 열 정보 처리 방법 14
제 4 장 기계 학습을 이용한 열 정보 학습 16
4.1 열 영향 분석 및 특성 추출 기법 18
4.2 학습 데이터 구성 기법 24
4.3 랜덤 포레스트를 이용한 열 영향 학습 기법 27
4.3.1 열 영향 정보 가공 기법 29
4.3.2 학습 데이터 정렬 기법 33
제 5 장 3차원 클럭 트리 합성에서 열 가중치 행렬 적용 기법 37
5.1 클럭 트리 토폴로지(topology) 생성 및 요소 삽입 40
5.1.1 토폴로지 생성 비용 함수에 적용 41
5.1.2 요소 삽입으로 인한 발열 예측 기법 43
5.2 클럭 스큐 조절 54
제 6 장 실험 결과 및 분석 58
6.1 학습 성능 분석 59
6.2 클럭 트리 합성 적용 시 성능 보장 70
제 7 장 추후연구 77
7.1 3차원 회로의 상위 수준 합성 시 실시간 계층 배치 고려 방법 77
7.1.1 연구 배경 및 관련 연구 78
7.1.2 3차원 회로의 상위 수준 합성 시 실시간 계층 배치 고려 방법 80
7.1.3 실험 결과 및 결론 84
제 8 장 결 론 87
참고문헌 89
