BBOPlace-Bench

BBOPlace-Bench是一个专门为评估和开发芯片布局任务中的黑盒优化（BBO）算法而设计的基准数据集。该数据集整合了三种BBO问题公式（分别具有排列、连续和混合搜索空间），并提供了模块化、解耦和灵活的框架，使用户能够无缝地实现、测试和比较自己的算法。它汇集了来自代表性芯片案例（ISPD 2005, ICCAD 2015）的现代芯片案例，并标准化了它们的格式，为BBO优化提供了统一和全面的信息。此外，它还集成了广泛的现有BBO算法，包括模拟退火（SA）、进化算法（EAs）和贝叶斯优化（BO），并使用芯片的关键指标系统地评估了它们在不同问题公式中的性能。

BBOPlace-Bench is a benchmark dataset specifically designed for evaluating and developing black-box optimization (BBO) algorithms for chip placement tasks. This dataset integrates three BBO problem formulations with permutation, continuous, and hybrid search spaces respectively, and provides a modular, decoupled and flexible framework that allows users to seamlessly implement, test and compare their own algorithms. It collects modern chip design cases from the representative ISPD 2005 and ICCAD 2015 benchmark suites, standardizes their formats, and offers unified and comprehensive information for BBO optimization. Furthermore, it integrates a wide range of existing BBO algorithms, including Simulated Annealing (SA), Evolutionary Algorithms (EAs) and Bayesian Optimization (BO), and systematically evaluates their performance across different problem formulations using key chip design metrics.

搜集汇总

数据集介绍

构建方式

在集成电路设计领域，BBOPlace-Bench通过模块化框架构建了首个专为黑盒优化算法设计的芯片布局基准。该数据集整合了ISPD 2005和ICCAD 2015两大工业级芯片案例，采用标准化预处理流程统一了Bookshelf与LEF/DEF格式的芯片数据。其核心构建逻辑包含三种问题建模方法：序列对方法通过双排列编码模块相对位置关系，掩码引导优化采用网格坐标与线网掩码机制实现贪婪解码，超参数优化则通过混合搜索空间调优先进布局工具DREAMPlace的参数配置。这种分层架构实现了问题建模、优化算法与评估指标的完全解耦，为算法比较提供了标准化实验环境。

使用方法

研究人员可通过标准化接口快速部署自定义黑盒优化算法，框架自动处理芯片数据解析与解空间映射。使用流程始于选择问题建模方式：序列对方法适用于模块相对位置约束主导的场景，掩码引导优化在低维空间表现优异，超参数优化则擅长挖掘分析式布局器的潜力。算法配置阶段支持种群规模、变异算子等参数定制，评估阶段可根据计算资源选择宏布局线长快速评估或全局布局线长精确验证。对于需要工业验证的研究，框架提供与商用EDA工具的无缝对接，最终通过可视化接口直观展示布局结果与拥塞分析，形成从算法实现到工业验证的完整闭环。

背景与挑战

背景概述

芯片布局作为现代集成电路设计流程中的关键环节，其质量直接影响最终芯片的功耗、性能和面积指标。BBOPlace-Bench由南京大学与华为诺亚方舟实验室的研究团队于2025年联合推出，旨在填补黑盒优化算法在芯片布局领域缺乏标准化评估基准的空白。该基准整合了ISPD 2005和ICCAD 2015等工业级芯片案例，通过解耦问题建模、优化算法和评估三个核心组件，为黑盒优化社区提供了首个专门针对芯片布局任务的标准化测试平台。

当前挑战

在解决芯片布局问题的过程中，主要面临布局质量与计算效率的平衡挑战，包括高维搜索空间的维度灾难问题、目标函数评估的高计算成本问题，以及非重叠约束与布线拥塞等多目标协同优化难题。在构建过程中，基准面临异构数据格式的统一处理挑战，需要同时兼容简化版Bookshelf格式与工业级LEF/DEF格式；同时需设计支持排列、连续和混合三种搜索空间的问题建模方案，并建立从快速代理指标到真实芯片性能指标的多层次评估体系。

常用场景

经典使用场景

在集成电路物理设计领域，芯片布局作为影响功耗、性能和面积的关键环节，长期面临着高维非凸优化的挑战。BBOPlace-Bench通过整合序列对、掩码引导优化和超参数优化三种问题建模方式，为黑盒优化算法提供了标准化的测试平台。该数据集支持在ISPD 2005和ICCAD 2015工业级芯片案例上进行宏单元布局与全局布局的对比验证，其模块化架构允许研究者灵活配置优化目标与评估指标，成为评估进化算法、模拟退火和贝叶斯优化等方法的经典实验环境。

解决学术问题

该数据集有效解决了芯片布局中黑盒优化方法缺乏统一评估基准的学术困境。通过解耦问题建模、优化算法和评估流程，研究者能够系统分析不同搜索空间（排列、连续、混合）对算法性能的影响。实验表明掩码引导优化在低维空间具有显著优势，而超参数优化在调整分析式布局器参数时表现卓越，这为高维优化和昂贵优化等核心研究方向提供了理论验证基础，推动了黑盒优化在工业级问题中的方法论创新。

实际应用

在工业实践中，BBOPlace-Bench通过标准化LEF/DEF与Bookshelf格式的芯片数据接口，显著降低了EDA工具链的集成门槛。其支持的全局布局线长评估与商用工具Cadence Innovus的PPA指标对接，为芯片设计企业提供了从算法研发到流片验证的全流程支持。实际案例显示，基于该平台的进化算法在超大规模电路布局中可将线长优化提升23%-30%，为自动驾驶芯片与高性能计算芯片的物理实现提供了可靠的技术路径。

数据集最近研究

最新研究方向

在集成电路物理设计领域，黑盒优化方法正经历从传统序列对表示到现代网格引导与超参数优化的范式转变。前沿研究聚焦于探索掩模引导优化在高维空间中的可扩展性，以及基于进化算法的超参数调优对分析式布局工具性能的提升作用。近期实验表明，结合粒子群优化与掩模引导解码的混合策略在宏模块布线长度优化上较主流强化学习方法提升23%，同时进化算法在混合搜索空间中展现出优于模拟退火与贝叶斯优化的全局探索能力。该方向与芯片设计自动化领域对多目标优化的迫切需求紧密关联，推动了面向功耗-性能-面积权衡的代理模型构建与昂贵评估场景下的样本高效优化技术发展。

相关研究论文

• 通过

  南京大学人工智能学院 · 2025年