DREAMPlace

基于深度学习工具包的超大规模集成电路布局工具。

通过将非线性VLSI布局问题类比于深度学习训练问题，该工具利用深度学习框架开发，以实现灵活性和高效性。该工具既可在CPU上运行，也可在GPU上运行。

在ISPD 2005竞赛基准测试中，使用Nvidia Tesla V100 GPU进行全局布局和合法化时，相比CPU实现（RePlAce），速度提升了超过30倍。

DREAMPlace还集成了一个GPU加速的详细布局器——ABCDPlace，它在百万级规模的基准测试上，相较于广泛采用的顺序布局器NTUPlace3，在CPU上的运行速度可提升约16倍。

• DREAMPlace
• 出版物
• 依赖项
• 如何安装Python依赖
• 如何构建
  • 使用Docker构建
  • 不使用Docker构建
• 如何获取基准测试数据
• 如何运行
• 配置选项
• 作者
• 特性

DREAMPlace可以在CPU和GPU上运行。如果安装在没有GPU的机器上，则只会启用多线程的CPU支持。

• 动画

Bigblue4	密度图	电势	电场

• 参考流程

出版物

• Yibo Lin, Shounak Dhar, Wuxi Li, Haoxing Ren, Brucek Khailany 和 David Z. Pan, “DREAMPlace：基于深度学习工具包的现代VLSI布局GPU加速”， ACM/IEEE设计自动化会议（DAC），拉斯维加斯，内华达州，2019年6月2日至6日 (预印本) (演示文稿)

• Yibo Lin, Zixuan Jiang, Jiaqi Gu, Wuxi Li, Shounak Dhar, Haoxing Ren, Brucek Khailany 和 David Z. Pan, “DREAMPlace：基于深度学习工具包的现代VLSI布局GPU加速”， IEEE计算机辅助集成电路与系统设计汇刊（TCAD），2020年

• Yibo Lin, Wuxi Li, Jiaqi Gu, Haoxing Ren, Brucek Khailany 和 David Z. Pan, “ABCDPlace：基于批处理的并发式详细布局，在多线程CPU和GPU上加速运行”， IEEE计算机辅助集成电路与系统设计汇刊（TCAD），2020年 (预印本)

• Yibo Lin, David Z. Pan, Haoxing Ren 和 Brucek Khailany, “DREAMPlace 2.0：面向大规模VLSI设计的开源GPU加速全局与详细布局”， 中国半导体技术国际会议（CSTIC），上海，中国，2020年6月（预印本）（特邀论文）

• Jiaqi Gu, Zixuan Jiang, Yibo Lin 和 David Z. Pan, “DREAMPlace 3.0：基于多静电场的鲁棒VLSI布局，带区域约束”， IEEE/ACM国际计算机辅助设计会议（ICCAD），2020年11月2日至5日 (预印本)

• Peiyu Liao, Siting Liu, Zhitang Chen, Wenlong Lv, Yibo Lin 和 Bei Yu， “DREAMPlace 4.0：基于动量的网络权重分配的时序驱动全局布局”， IEEE/ACM欧洲设计、自动化与测试大会（DATE），比利时安特卫普，2022年3月14日至23日 (预印本)

• Peiyu Liao, Dawei Guo, Zizheng Guo, Siting Liu, Zhitang Chen, Wenlong Lv, Yibo Lin 和 Bei Yu， “DREAMPlace 4.0：基于动量的网络权重分配和拉格朗日优化的时序驱动布局”， IEEE计算机辅助集成电路与系统设计汇刊（TCAD），2023年10月。

• Yifan Chen, Zaiwen Wen, Yun Liang, Yibo Lin, “更强的混合尺寸布局核心，考虑二阶信息”， IEEE/ACM国际计算机辅助设计会议（ICCAD），旧金山，加州，2023年10月 (预印本)（对应于DREAMPlace 4.1）

• Zizheng Guo, Haichuan Liu, Xizhe Shi, Shenglu Hua, Zuodong Zhang, Chunyuan Zhao, Runsheng Wang 和 Yibo Lin， “HeteroSTA：一种支持整体工业设计的CPU-GPU异构静态时序分析引擎”， IEEE/ACM亚洲及南太平洋设计自动化会议（ASPDAC），香港，2026年1月。 (预印本)（特邀论文）（对应于DREAMPlace 4.3）

依赖项

• Python 3.5/3.6/3.7/3.8/3.9

• PyTorch 1.6/1.7/1.8/2.0

  • 其他版本也可能适用，但未经过测试

• GCC

  • 建议使用 GCC 7.5（支持 c++17）。
  • 不建议使用 GCC 9 或更高版本，因为可能存在向后兼容性问题。
  • 其他编译器也可能适用，但未经过测试。

• Boost >= 1.55.0

  • 需要安装，并且在链接时可见

• Bison >= 3.3

  • 需要安装

• Limbo

  • 作为 Git 子模块集成

• Flute

  • 作为子模块集成

• OpenTimer

  • 修改后的版本用于时序优化
  • 作为子模块集成

• CUB

  • 作为 Git 子模块集成

• munkres-cpp

  • 作为 Git 子模块集成

• HeteroSTA

  • 用作 GPU 加速的时序分析引擎

• CUDA 9.1 或更高版本（可选）

  • 如果已安装并检测到，则会启用 GPU 加速。
  • 否则，仅启用 CPU 实现。

• GPU 架构兼容性 6.0 或更高版本（可选）

  • 代码已在计算兼容性为 6.0、7.0 和 7.5 的 GPU 上测试过。
  • 请检查 GPU 设备的兼容性。
  • 默认编译目标是兼容性 6.0。这是最低要求，低于此兼容性的 GPU 功能不被支持。
  • 对于兼容性 7.0，需要将 CMAKE_CUDA_FLAGS 设置为 -gencode=arch=compute_70,code=sm_70。

• Cairo（可选）

  • 如果已安装并检测到，则绘图函数将通过 C/C++ 实现而更快。
  • 否则，将使用 Python 实现。

• NTUPlace3（可选）

  • 如果提供了二进制文件，则可用于执行详细的布局放置。

要在根目录中拉取 Git 子模块：

git submodule init
git submodule update

或者，在克隆仓库时一次性拉取所有子模块：

git clone --recursive https://github.com/limbo018/DREAMPlace.git

如何安装 Python 依赖项

进入根目录：

pip install -r requirements.txt

如何构建

提供两种构建方式：使用和不使用 Docker。

使用 Docker 构建

您可以使用 Docker 容器来避免自行构建所有依赖项。

1. 在 Windows、Mac 或 Linux 上安装 Docker。
2. 要启用 GPU 功能，请安装 NVIDIA-docker；否则，跳过此步骤。
3. 导航到仓库目录。
4. 通过以下任一选项获取 Docker 容器：
   • 选项 1：从云端拉取 limbo018/dreamplace。

   docker pull limbo018/dreamplace:cuda
   

   • 选项 2：构建容器。

   docker build . --file Dockerfile --tag your_name/dreamplace:cuda
   

5. 进入容器的 bash 环境。如果上一步选择了选项 2，请将 limbo018 替换为您的名字。

在 Linux 上使用 GPU 运行：

docker run --gpus 1 -it -v $(pwd):/DREAMPlace limbo018/dreamplace:cuda bash

在 Windows 上使用 GPU 运行：

docker run --gpus 1 -it -v /dreamplace limbo018/dreamplace:cuda bash

在 Linux 上不使用 GPU 运行：

docker run -it -v $(pwd):/DREAMPlace limbo018/dreamplace:cuda bash

在 Windows 上不使用 GPU 运行：

docker run -it -v /dreamplace limbo018/dreamplace:cuda bash

6. cd /DREAMPlace。
7. 转到下一节，在容器内完成构建。

不使用 Docker 构建

采用 CMake 作为构建系统。 要构建，进入根目录：

mkdir build
cd build # 我们称其为 <构建目录>
cmake .. -DCMAKE_INSTALL_PREFIX=<安装目录> -DPython_EXECUTABLE=$(which python)
make
make install

其中 <构建目录> 是您编译代码的目录，而 <安装目录> 是您希望安装 DREAMPlace 的目录（例如 ../install）。 第三方子模块会自动构建，除了 Boost。

要清理，返回根目录：

rm -r build

如果您以后不需要增量编译，可以在安装完成后删除 <构建目录>。

以下是 CMake 的可用选项：

• CMAKE_INSTALL_PREFIX：安装目录
  • 示例：cmake -DCMAKE_INSTALL_PREFIX=path/to/your/directory
• CMAKE_CUDA_FLAGS：用于 NVCC 的自定义字符串（默认为 -gencode=arch=compute_60,code=sm_60）
  • 示例：cmake -DCMAKE_CUDA_FLAGS=-gencode=arch=compute_60,code=sm_60
• CMAKE_CXX_ABI：用于 C++ 编译器的 _GLIBCXX_USE_CXX11_ABI 值，0 或 1，默认为 0。
  • 示例：cmake -DCMAKE_CXX_ABI=0
  • 必须与编译所有 C++ 依赖项（如 Boost 和 PyTorch）时的 _GLIBCXX_USE_CXX11_ABI 保持一致。
  • 默认情况下，PyTorch 是以 _GLIBCXX_USE_CXX11_ABI=0 编译的，但在自定义的 PyTorch 环境中，可能会以 _GLIBCXX_USE_CXX11_ABI=1 编译。

如何获取基准测试数据

要获取 ISPD 2005 和 2015 的基准测试数据，从该目录运行以下脚本：

python benchmarks/ispd2005_2015.py

如何运行

在运行之前，请确保已下载基准测试数据，并已安装 Python 依赖包。 进入安装目录，使用 JSON 配置文件进行完整布局放置：

cd <安装目录>
python dreamplace/Placer.py test/ispd2005/adaptec1.json

在根目录中运行单元测试，测试单个 pytorch 操作：

cd <安装目录>
python unittest/ops/hpwl_unittest.py

配置

可通过运行以下命令查看 JSON 配置文件中各选项的说明。

cd <安装目录>
python dreamplace/Placer.py --help

将显示如下选项列表。

JSON 参数	默认值	描述
aux_input	Bookshelf 必需	输入 .aux 文件
lef_input	LEF/DEF 必需	输入 LEF 文件
def_input	LEF/DEF 必需	输入 DEF 文件
verilog_input	LEF/DEF 可选	输入 VERILOG 文件，若 DEF 文件中未包含电路网表信息则提供
gpu	1	是否启用 GPU

...

作者

• Yibo Lin，在 David Z. Pan 的指导下完成了初始版本。
• Zixuan Jiang 和 Jiaqi Gu 提升了 GPU 上线长和密度算子的效率。
• Yibo Lin 和 Jiaqi Gu 开发并集成了 ABCDPlace 用于详细布局。
• Peiyu Liao 和 Siting Liu 为 DREAMPlace 4.0 开发并集成了全局布局中的时序优化。
• Yifan Chen 开发了两阶段流程，并改进了 DREAMPlace 4.1 中宏单元布局的优化器。将 use_bb 设置为 1 以开启 BB 步骤，将 macro_place_flag 设置为 1 以启用宏单元布局的两阶段流程。
• Yiting Liu 贡献了用于布局初始化的 GiFt 算子，该成果发表于 ICCAD 2024。将 gift_init_flag 设置为 1 以开启此功能，并使用 gift_init_scale 控制该算子的尺度参数。

Yiting Liu, Hai Zhou, Jia Wang, Fan Yang, Xuan Zeng, Li Shang, 
“图信号处理在芯片布局加速中的力量”， 
  IEEE/ACM 国际计算机辅助设计会议（ICCAD），美国新泽西州，2024年10月
（感谢贡献源代码！）

• Shenglu Hua 将 HeteroSTA 集成到 DREAMPlace 4.3 中。将 timer_engine 设置为 “heterosta” 以开启此功能。

• 欢迎提交 Pull Request 来改进该工具。 我们非常感谢社区的各种贡献。

功能

• 0.0.2

  • 多线程 CPU 支持，可选 GPU 加速

• 0.0.5

  • 通过 Bookshelf 格式的 .wts 文件支持网络加权
  • 增量式布局支持

• 0.0.6

  • 支持 LEF/DEF 作为输入输出
  • Python 绑定及对 C++ 布局数据库的访问

• 1.0.0

  • 从 TCAD 扩展中提升了线长和密度算子的效率

• 1.1.0

  • 用于构建环境的 Docker 容器

• 2.0.0

  • 集成 ABCDPlace：多线程 CPU 和 GPU 加速的详细布局
  • 支持独立集匹配、局部重排以及单机上具有运行间确定性的全局交换
  • 支持可移动宏单元，具备类似俄罗斯方块的宏合法化及最小费用流优化

• 2.1.0

  • 支持确定性模式，以较小的运行时开销确保运行间的确定性

• 2.2.0

  • 集成来自 TCAD 扩展的 NCTUgr 路由可布性优化
  • 并行 CPU 版本的鲁棒性得到提升

• 3.0.0

  • 支持栅栏区域，相关成果发表于 ICCAD 2020
  • 添加二次惩罚项以加速全局布局过程中梯度下降在平台期的进展
  • 在全局布局中注入噪声以逃离鞍点

• 4.0.0

  • 支持全局布局中的时序优化，相关成果发表于 DATE 2022
  • 新增基于动量的网络加权策略
  • 集成 OpenTimer 进行静态时序分析
  • 已在 ICCAD 2015 比赛基准测试中进行测试（见 test/iccad2015.ot）

• 4.1.0

  • 支持 BB 步骤和两阶段宏单元布局流程，相关成果发表于 ICCAD 2023（需将 use_bb 设置为 1 以开启 BB 步骤，将 macro_place_flag 设置为 1 以启用宏单元布局的两阶段流程）
  • 已在 ISPD 2005 比赛中进行测试，其中所有固定宏单元和 IO 端口均被视为可移动宏单元（见 test/ispd2005free）以及 MMS 基准测试（见 test/mms）

• 4.2.0

  • 支持 ICCAD 2024 发表的 GiFt 初始化方法

• 4.3.0

  • 支持使用 HeteroSTA 进行 GPU 加速的时序分析。

宏单元布局参考结果

近期，许多研究工作选择了 DREAMPlace 进行宏单元布局，例如 [Cheng+，NeurIPS2021]、[Lai+，NeurIPS2023] 等。然而，在相同基准测试上报告的结果却存在显著差异。为了便于比较，我们提供了在自己的 GPU 机器上收集的结果供参考。如果您的结果与以下数值相比有较大偏差（即 HPWL 长度增加超过 5%），则可能存在错误。建议您将日志发送给我们以进行验证。

请注意，DREAMPlace 4.1.0 仅实现了 [Chen+，ICCAD2023] 中提出的 BB 步骤和两阶段流程。

ISPD2005 基准测试，其中所有固定的宏单元和 IO 端口均被视为可移动的宏单元。该数据集可从 这里 下载。

	DREAMPlace 4.0			DREAMPlace 4.1.0
	迭代次数	HPWL(×10^6)	时间(s)	迭代次数	HPWL(×10^6)	时间(s)
adaptec1	600	101.3	26.3	748	68.2	27.6
adaptec2	588*	137.5*	40.6*	784	86.3	40.1
adaptec3	765	179.5	54.1	894	144.0	56.1
adaptec4	876	153.3	48.9	872	140.8	57.3
bigblue1	699	86.2	23.5	813	82.0	25.5
bigblue2	1267*	2426.7*	679.4*	869	98.1	193.4
bigblue3	1207	330.2	115.4	1307	288.8	140.1
bigblue4	1581	820.1	239.6	1875	610.0	234.5
平均比值	0.937	4.211	1.258	1.000	1.000	1.000

MMS 基准测试（基于 ISPD2005 基准测试修改而来，其中宏单元可移动而 IO 端口固定）

我们的修改版本可从 这里 下载。

	DREAMPlace 4.0			DREAMPlace 4.1.0
	迭代次数	HPWL(×10^6)	时间(s)	迭代次数	HPWL(×10^6)	时间(s)
adaptec1	607	65.3	17.8	746	64.7	25.8
adaptec2	569	79.3	28.5	734	75.8	35.8
adaptec3	659	158.1	44.6	755	153.3	38.9
adaptec4	735	141.7	46.8	782	142.4	47.5
adaptec5	1053	326.3	63.8	1405	337.6	78.4
bigblue1	646	85.4	21.3	809	85.3	28.9
bigblue2	638	125.3	42.0	773	125.4	48.4
bigblue3	911	279.3	112.5	1097	273.8	136.1
bigblue4	1189	648.8	172.4	1515	643.2	215.4
newblue1	574	62.8	22.5	749	62.0	30.4
newblue2	730	155.5	34.8	861	156.1	43.9
newblue3	1318*	597.3*	55.71*	830	270.6	72.8
newblue4	1009	246.2	52.6	1274	245.8	53.9
newblue5	1254	444.2	99.4	1537	446.4	134.9
newblue6	929	410.6	96.1	1157	409.3	115.1
newblue7	1077	903.6	184.1	1578	903.2	235.1
平均比值	0.855	1.081	0.830	1.000	1.000	1.000

`*` 表示发散或合法化失败。 请注意，如果您在日志中观察到发散或合法化错误，则这些结果可能不具有代表性。

DREAMPlace 快速上手指南

DREAMPlace 是一个基于深度学习工具包开发的 VLSI（超大规模集成电路）布局工具，利用非线性布局与深度学习训练的类比，实现了高效的 CPU 和 GPU 加速。在 Nvidia Tesla V100 GPU 上，其全局布局和合法化速度相比传统 CPU 实现（RePlAce）可提升 30 倍以上。

环境准备

系统要求

• 操作系统: Linux (推荐), Windows, macOS
• 编译器: GCC 7.5 (推荐，支持 c++17)。不建议使用 GCC 9 或更高版本，可能存在兼容性问题。
• GPU (可选): 若需 GPU 加速，需安装 CUDA 9.1 或更高版本，且显卡计算能力需 >= 6.0 (如 Volta, Turing, Ampere 架构)。

前置依赖

请确保已安装以下基础软件：

• Python: 3.5 - 3.9
• PyTorch: 1.6 / 1.7 / 1.8 / 2.0 (其他版本未测试)
• CMake: 用于构建项目
• Boost: >= 1.55.0 (需安装并链接可见)
• Bison: >= 3.3
• Git: 用于克隆代码及子模块

提示: 国内用户可使用清华源或阿里源加速 pip 和 apt/yum 包的安装。

安装步骤

1. 获取源码

克隆仓库并初始化子模块（包含 Limbo, Flute, OpenTimer 等核心组件）：

git clone --recursive https://github.com/limbo018/DREAMPlace.git
cd DREAMPlace

如果之前已克隆但未拉取子模块，执行:

git submodule init
git submodule update

2. 安装 Python 依赖

在项目根目录下运行：

pip install -r requirements.txt

(国内用户建议添加镜像源：pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple)

3. 编译构建

推荐使用 Docker 方式以避免复杂的环境配置；若无 Docker，可选择本地编译。

方案 A：使用 Docker (推荐)

此方法自动包含所有依赖，支持 GPU 加速。

1. 拉取镜像:

   docker pull limbo018/dreamplace:cuda
   

   (若无 GPU，可拉取不带 cuda 标签的版本或忽略 nvidia-docker 步骤)

2. 启动容器:

   • Linux (带 GPU):

     docker run --gpus 1 -it -v $(pwd):/DREAMPlace limbo018/dreamplace:cuda bash
     

   • Windows (带 GPU):

     docker run --gpus 1 -it -v /dreamplace limbo018/dreamplace:cuda bash
     

   • 无 GPU 模式: 去掉 --gpus 1 参数即可。

3. 在容器内编译: 进入容器后，执行下方“方案 B"中的编译命令。

方案 B：本地编译 (无 Docker)

使用 CMake 进行构建：

mkdir build
cd build
cmake .. -DCMAKE_INSTALL_PREFIX=../install -DPython_EXECUTABLE=$(which python)
make
make install

注：../install 为安装目录，可根据需要修改。编译完成后，build 目录可删除。

基本使用

1. 获取测试基准 (Benchmarks)

下载 ISPD 2005 和 2015 测试用例：

python benchmarks/ispd2005_2015.py

2. 运行布局

进入安装目录（若使用 Docker 则为 /DREAMPlace/install），通过 JSON 配置文件运行。

假设你有一个名为 config.json 的配置文件和一个 .bookshelf 格式的电路网表文件：

cd ../install
python dreamplace.py config.json

最简单的运行示例（以 ISPD 2005 的 bigblue4 为例，需先确保已下载 benchmark）：

# 进入安装目录
cd install

# 运行全局布局 (Global Placement)
python dreamplace.py ../benchmarks/ispd2005/bigblue4/bigblue4.json

运行结束后，工具会输出布局结果文件及相关的密度图、电势图等可视化数据（若安装了 Cairo 库，绘图速度更快）。