面向硬件设计的有向图表征学习基准
机器学习
2024-10-10 v1
摘要
随着现代计算系统设计复杂度的快速提升，有向图表征学习 (DGRL) 变得至关重要，尤其用于编码电路网表、计算图以及开发硬件性能预测的替代模型。然而，DGRL 在硬件领域仍相对未被探索，主要由于缺乏全面且用户友好的基准。本研究提出了一个新型基准，包含五个硬件设计数据集和 13 项预测任务，覆盖Various 案例层次。我们评估了 21 种 DGRL 模型，采用多样的图神经网络和图变换器 (GT) 作为骨干网络，增强了针对有向图的特殊位置编码 (PE)。我们的结果表明，双向 (BI) 消息传递神经网络 (MPNN) 以及稳健的 PE 显著提升了模型性能。值得注意的是，顶级模型包括采用 BI-MPNN 层交叉的 PE 增强 GT 以及 BI-图同构网络，两者在 13 项任务中均超越了基线模型。此外，我们对模型在分布外 (OOD) 性能的探讨凸显了改善 DGRL 模型 OOD 泛化能力的紧迫需求。这一基准采用模块化代码实现，旨在简化硬件从业者和机器学习从业者对 DGRL 模型的评估。
引用
@article{arxiv.2410.06460,
title = {A Benchmark on Directed Graph Representation Learning in Hardware Designs},
author = {Haoyu Wang and Yinan Huang and Nan Wu and Pan Li},
journal= {arXiv preprint arXiv:2410.06460},
year = {2024}
}