ME平台是芯行纪科技有限公司（以下简称“芯行纪”）Machine-Learning EDA平台，意在打造人工智能EDA以实现技术变革。
芯行纪此前推出布局规划工具AmazeFP以解决后端工程师们手动摆放宏单元费时又费力这个痛点。AmazeFP基于其强大并完全内置的 Placer + Global Route + Timer 等核心引擎, 配以Timing Driven +Dataflow Driven等技术，在极短时间内完成Floorplan，媲美甚至超越了以往用数周乃至数月手工摆放才达到的PPA，大大地提升了Floorplan效率。AmazeFP-ME将最新的AI技术引入到AmazeFP的解空间探索中，在AmazeFP的基础上进一步显著地提升了PPA。
AmazeFP利用算法得到一个Memory/IP等宏单元位置的最优解，并且会基于时序以及拥塞评估，同时考虑到用户习惯、流片需求以及Bump位置等因素将这些Memory/IP对齐成为一个可签收的Floorplan ( Pack过程)。在整个过程中，有不少的参数会影响最优解及Pack后的形状从而影响最后的PPA。这些参数组成的解空间巨大，尤其是Hard Block数量众多时，Pack的解空间尤其巨大。怎样在调参的基础上，利用机器学习在最短时间内得到全局的理论最优解？AmazeFP-ME的方案能在短时间内自我学习，同时探索巨大的解空间，成功地得到更优的全局解。
l 实际使用案例
此案例是一个图形编解码模块，Memory所占比例较高。图一是用了数周时间手动调出来的Floorplan；图二是AmazeFP在2个小时内得到的Floorplan。图三为两者在P&R工具里的PPA对比。
图一：User Floorplan
图二：AmazeFP Floorplan
图三: User/AmazeFP Floorplan QoR对比
可以看到，使用AmazeFP本身在不到2个小时，得到的Floorplan方案已经优于手工摆放数周的结果。那还存不存在更优解？
在AmazeFP的基础上，测试AmazeFP-ME的结果：
图四: AmazeFP-ME QoR趋势图
图四是ME的QoR趋势图，此图最好是一个逐步收敛的图，横坐标是run（运行）AmazeFP的次数，纵坐标是每个run的分数（打分机制是分数越低QoR越好）。可以看到，随着run数目的增加，ME可以得到更多的更优解，并在第26个run得到了整个搜索的最优解。在此过程中，由于自带可分布式计算，AmazeFP-ME跑完所有的尝试所花时间也非常可控。
图五： AmazeFP-ME评判分数图（局部）
从具体的评判指标来看， ME找到了10多个比Baseline（AmazeFP默认跑出来的结果）更好的Floorplan。其中最好的分数是73.6分 (Baseline的分数是100分)，相比于Baseline，Overflow改进了70%，Wirelength改进了8%，TNS改进了20%。
图六：ME分数最高的Floorplan
考虑到用户更关心最终的布局布线流程的结果，以下是上面的几个FP在跑完AmazeSys整个P&R（布局布线）流程的最终结果。
图七：User/AmazeFP/ME Floorplan的P&R QoR对比
可以看到，ME分数最高的Floorplan，继续在P&R中显示出了最好的PPA (ME > Baseline > User Floorplan)。与ME里看到的趋势非常一致，AmazeFP以及AmazeFP-ME产生的Floorplan结果得到了最终布局布线结果的证明。
进一步验证AmazeFP和P&R工具的PPA一致性：我们随机选择10个ME的结果，对比ME和P&R工具的一致性(Congestion/Wirelength/TNS)。从下图可以看到，整个趋势非常一致。
图八：AmazeFP-ME/AmazeSys Overflow对比
图九：AmazeFP-ME/AmazeSys TNS对比 (归一化)
下图是更多的ME产生的Floorplan，可以看到，AmazeFP-ME一直在不同的方向上探索，以找到更好的PPA的方案。
图十：ME探索出来的更多的Floorplan（部分）
芯行纪正在实现AI赋能EDA，落地的方案给客户带来真实的价值。
