DR-CircuitGNN：基于 GPU 的异构电路图神经网络训练加速
机器学习
2025-08-26 v1
摘要
集成电路设计的规模和复杂度不断增加，导致电子设计自动化（EDA）中的挑战日益突出。图神经网络（GNNs）作为一种帮助 EDA 设计的有前景的方法，因电路可以自然地表示为图而受到关注。尽管 GNNs 为电路分析提供了基础，但它们往往无法捕捉 EDA 设计的全部复杂性。异构图神经网络（HGNNs）能够更好地解释 EDA 电路图，因为它们捕捉了拓扑关系和几何特征。然而，改进的表示能力代价是更高的计算复杂度和处理成本，因为其模块化消息传递方案具有串行性，造成显著的性能瓶颈。本文提出了 DR-CircuitGNN，通过利用基于行稀疏性感知的动态 ReLU 和优化 SpMM 内核，在异构消息传递期间加速 HGNNs 在 EDA 相关电路图数据集上的训练。为进一步提升性能，我们提出了一种并行优化策略，通过多线程 CPU 初始化和通过多个 cudaStreams 的 GPU 内核执行，最大化 CPU-GPU 并行度。我们的实验表明，在三个代表性 CircuitNet 设计（小型、中型、大型）上，该方法可实现前向和反向传播分别实现最高 3.51 倍和 4.09 倍的加速。对于完整大小的 CircuitNet 和抽样 Mini-CircuitNet，我们的并行设计相对于官方 DGL 实现的 cuSPARSE 实现实现了最高 2.71 倍的加速，同时对相关性分数和误差率几乎没有影响。
引用
@article{arxiv.2508.16769,
title = {DR-CircuitGNN: Training Acceleration of Heterogeneous Circuit Graph Neural Network on GPUs},
author = {Yuebo Luo and Shiyang Li and Junran Tao and Kiran Thorat and Xi Xie and Hongwu Peng and Nuo Xu and Caiwen Ding and Shaoyi Huang},
journal= {arXiv preprint arXiv:2508.16769},
year = {2025}
}