AI 驱动的时序感知功耗优化:学习排序+基线保全策略回收布线后功耗
Amit Sharma · hf · 2026-10-16
IEEE 会员 Amit Sharma 提出一个 AI 驱动的布线后功耗回收（post-route power recovery）框架。该环节需在时序、电气与物理约束紧耦合下修改单元选择，每次修改的价值取决于修复副作用的成本。
- 框架：学习模型驱动优化两阶段——对功耗回收编辑排序供尝试、并对后续修复动作排序；同时由确定性 EDA 分析裁决每次接受，记录基线约束余量、识别回收交易引入的损害，并将修复支出按实测节省的一定比例封顶。
- 关键结论：配套的公开设计研究表明，传统「面向全设计时序收敛」的修复命令会把先前已有违例一并处理，随着「先前违例/新增损害」比例上升，其节省急剧衰减；而只针对新增损害的命令几乎保留全部节省。据此提出基线保全（baseline preservation）的约束核算策略：将每条约束恢复到回收前的余量，与全设计干净时序的更强要求分离。
「Infra」频道最新
- Aziz 梗图开玩：2028 年自己开 Roadster 去芯片工厂提货 — beffjezos · 2026-10-16
- 一个人维护 40 亿台设备的时钟：时区数据库背后的志愿者 — danbri · 2026-10-16
- 4x DGX Spark 跑 DeepSeek V4.1 Flash 实测：内存根本不够，494 t/s 有水分 — Aroochacha · 2026-10-16
- 开发者开源 Intel GPU Vulkan 推理升级:部分路径摄取提速 2 倍 — Fun-Aardvark-1143 · 2026-10-16
- ELSFP 光封装三大痛点：插损超 3dB、PMF 贵且难装、洁净间要求高 — jwt0625 · 2026-10-16
- MLCommons 推出 MLPerf Endpoints,按真实服务端点测推理性能 — TheKanter · 2026-10-16