CTS-Bench: 面向时钟树综合中图神经网络图粗化权衡的基准测试
机器学习
2026-02-24 v1
摘要
图神经网络(GNN)在电子设计自动化中的物理设计分析领域受到越来越多的关注,特别是在建模时钟树综合行为(如时钟偏斜和缓冲复杂性)方面。然而,由于在原始门级网表上运行会带来高昂的内存和运行时成本,其实际部署仍然有限。图粗化通常用于提高可扩展性,但其对CTS关键学习目标的影响尚未得到充分表征。本文介绍了CTS-Bench,这是一个基准测试套件,用于系统评估基于GNN的CTS分析中图粗化、预测精度和计算效率之间的权衡。CTS-Bench包含跨越五种架构的4,860个收敛的物理设计方案,并提供了来自布局后设计的配对原始门级和聚类图表示。以时钟偏斜预测作为代表性的CTS任务,我们展示了清晰的精度-效率权衡。虽然图粗化可将GPU内存使用量降低高达17.2倍,并将训练速度提升高达3倍,但它也移除了对建模时钟分布至关重要的结构信息,经常导致零样本评估下的得分为负。我们的研究结果表明,即使全局物理指标保持不变,通用的图聚类技术也可能从根本上损害CTS学习目标。CTS-Bench能够对CTS感知的图粗化策略进行原则性评估,支持在现实物理设计约束下对GNN架构和加速器进行基准测试,并为开发学习辅助的CTS分析和优化技术奠定了基础。
引用
@article{arxiv.2602.19330,
title = {CTS-Bench: Benchmarking Graph Coarsening Trade-offs for GNNs in Clock Tree Synthesis},
author = {Barsat Khadka and Kawsher Roxy and Md Rubel Ahmed},
journal= {arXiv preprint arXiv:2602.19330},
year = {2026}
}
备注
Accepted to ML Bench'26 ASPLOS