GIF：芯片布局中红外压降成像的条件多模态生成框架

IR 压降分析对于物理芯片设计至关重要，可确保片上供电网络的电源完整性。随着晶体管密度的扩大，传统的电子设计自动化 (EDA) 工具变得缓慢且昂贵。最近的工作引入了基于机器学习 (ML) 的方法，将 IR 压降分析表述为图像预测问题。这些现有的机器学习方法无法捕获本地和远程依赖性，并且忽略了物理布局和逻辑连接中的关键几何和拓扑信息。为了解决这些限制，我们提出了 GIF，一种生成 IR drop 框架，它使用几何和拓扑信息来生成 IR drop 图像。 GIF 融合图像和图形特征来指导条件扩散过程，生成高质量的IR drop 图像。例如，在 CircuitNet-N28 数据集上，GIF 实现了 0.78 SSIM、0.95 Pearson 相关性、21.77 PSNR 和 0.026 NMAE，优于先前的方法。这些结果表明，我们的框架使用基于扩散的多模态调节，可以可靠地生成高质量的红外滴图像。这表明，当几何布局特征和逻辑电路拓扑联合建模时，IR 压降分析可以有效地利用生成建模的最新进展。通过将几何感知空间特征与逻辑图形表示相结合，GIF 使 IR 压降分析能够受益于结构化图像生成的生成建模的最新进展。