DIONet3D:面向3D IC IR drop预测的双输入双输出深度神经网络
论文提出DIONet3D,一种面向3D IC IR drop预测的双输入双输出神经网络,同时接收上下两层裸片的特征图,经U-Net结构共享主干后同时输出两层裸片的IR drop图。为建模3D供电效应,作者引入物理引导的3D增强PDN表示,用高斯核平滑把平面PDN条带转为空间连续特征,并编码垂直混合键合(HB)/硅通孔(TSV)连接以刻画跨裸片供电。方法还采用多损失函数动态加权的复合损失以平衡多任务收敛。实验称其优于现有CNN方法并具较好泛化性,与商用EDA仿真工具相比结构及空间相似度高,CPU推理下运行速度最高提升309倍、内存降低89倍。摘要未给出具体设计规模、工艺与基线细节。
推荐理由:论文给出双输入双输出网络与物理引导的3D PDN表示,可用于比较3D IC IR drop预测的代理模型方案。



















