DE-HNN：一种有效的电路网表表示神经网络模型
机器学习
2024-04-17 v3 硬件体系结构
摘要
随着设计复杂度的增加，芯片设计中使用的优化工具运行时间已经增长到完成一个设计周期需要数天的地步，这已成为瓶颈。设计者希望拥有能够快速对设计提供反馈的工具。利用过往设计中工具的输入和输出数据，可以尝试构建一个机器学习模型，在比运行工具短得多的时间内预测设计结果。此类模型的准确性受设计数据表示的影响，设计数据通常是描述数字电路元件及其连接方式的网表。针对此类模型，研究人员已经探索了网表的图表示以及图神经网络。然而，由于节点数量庞大且节点间长程相互作用的重要性，网表的特性对现有的图学习框架构成了若干挑战。为了应对这些挑战，我们将网表表示为有向超图，并提出了一种方向等变超图神经网络 (DE-HNN) 以有效学习（有向）超图。在理论上，我们证明了我们的 DE-HNN 能够通用逼近任何满足有向超图自然排列等变和不变性质的节点或超边函数。我们将提出的 DE-HNN 与几种用于（超）图和网表的 SOTA 机器学习模型进行了比较，并表明 DE-HNN 在直接从输入网表预测优化布局布线工具结果方面显著优于它们。我们的源代码和使用的网表数据已在 https://github.com/YusuLab/chips.git 上公开。
引用
@article{arxiv.2404.00477,
title = {DE-HNN: An effective neural model for Circuit Netlist representation},
author = {Zhishang Luo and Truong Son Hy and Puoya Tabaghi and Donghyeon Koh and Michael Defferrard and Elahe Rezaei and Ryan Carey and Rhett Davis and Rajeev Jain and Yusu Wang},
journal= {arXiv preprint arXiv:2404.00477},
year = {2024}
}