|
再構成可能デバイスでは，配置配線結果によってその回路性能が大きく異なるため，できるだけ最適に近い配置配線を行う必要がある．しかし，従来コスト関数を用いた SA法は，複雑な構成を持つ再構成デバイスでは正確な配置の良さの程度を示すコスト値を算出できないという問題点があり，最適な配置配線を行うことが難しい．そこで，ニューラルネットワークをコスト関数として導入した．
しかし，ニューラルネットワークをコスト関数として用いるには，次の課題がある．配置の改善が判定できるニューラルネットワークが必要である．そして，その出力を配置の良さの程度を示すコスト値を生成できるようにする必要がある．さらに，任意の配置を判定して配置の良さに対応するコスト値を矛盾なく出力するように訓練できる学習データが必要である．
本研究では，これらの問題を解決する方法として次のように行うと良いことが分かった．ランダムに生成した回路を実際に配置配線し，２つの配置を未配線本数・総配線長の短長にもとづいてより良い配置を正解とした学習データを作成してニューラルネットワークの訓練に用いること．つまり，2値分類問題として訓練を行うこと．そして，2値分類問題ニューラルネットワークの2つの出力値の差をコスト値とすること．さらに，論理素子の配置と結線情報をニューラルネットワークへ入力する方法として，boundingboxを活用して作成した配置位置と配線可能経路をマップ化したものを用いることが良いとわかった．
上記のような方法で訓練を行ったニューラルネットワークは評価の結果，SA法のコスト関数として用いた場合，初期配置の改善では効果が低いことが分かった．しかし，従来コスト関数を用いたSA法で配置を行ったあと，提案するニューラルネットワークのコスト関数を用いたSA法で配置の改善を行うと，従来法より配置配線が改善できることが明らかになった．
|
