Dr. of Eng. Sc., Professor
д-р техн. наук, проф.
Ph.D. Tech. Sc., Associate Professor
канд. техн. наук, доц.
This study addresses the problem of intelligent anomaly prediction during the early stages of very-large-scale integration (VLSI) design, under the constraints of increasingly complex topologies and modern technological standards. The problem formulation includes the formalization of criteria for anomaly detection, such as congestion zones, topological conflicts, and routing violations. To enhance classification accuracy and adaptability to diverse design data structures, a hybrid architecture is proposed that combines metaheuristic methods with machine learning algorithms. А computational experiment was conducted using both synthetic and publicly available datasets, demonstrating the effectiveness of the stacking model and graph neural networks in achieving high prediction quality within acceptable training times. The study also explores the impact of cross-validation and class balancing on resistance to overfitting. The obtained results confirm the practical applicability of the proposed approach in modern computer-aided design (CAD) systems. This article will be of interest to specialists in design automation and intelligent analysis of VLSI systems, as well as researchers working on hybrid methods in engineering applications.
Рассматривается задача интеллектуального прогнозирования проектных аномалий на ранних этапах проектирования сверхбольших интегральных схем (СБИС) в условиях усложняющихся топологий и ограничений современных технологических норм. Постановка задачи включает формализацию критериев выявления аномалий, таких как зоны перегрузки, топологические конфликты и нарушения трассировки. В работе в целях повышения точности классификации и адаптивности к различным структурам проектных данных предложена гибридная архитектура, объединяющая метаэвристические методы с алгоритмами машинного обучения. Проведен вычислительный эксперимент с использованием сгенерированных и известных наборов данных, демонстрирующий эффективность стек-модели и графовых нейронных сетей в обеспечении высокого качества прогнозирования при приемлемом времени обучения. В работе также рассматривается влияние кросс-валидации и балансировки классов на устойчивость к переобучению. Полученные результаты подтверждают практическую применимость предложенного подхода в современных CAD-системах проектирования. Статья будет полезна специалистам, занимающимся автоматизацией проектирования и интеллектуальным анализом СБИС, а также исследователям в области применения гибридных методов в инженерных задачах.