DynamicRTL：用于动态电路行为的 RTL 表示学习
机器学习
2025-11-14 v1
摘要
关于使用图神经网络（GNN）学习电路表示的研究工作日益增长，主要聚焦于其静态特征。然而，这些模型未能捕捉电路运行时行为，而这在电路验证和优化等任务中至关重要。为解决这一局限性，我们提出了 DR-GNN（DynamicRTL-GNN），一种 novel 方法，通过融合静态结构和多周期执行行为来学习 RTL 电路表示。DR-GNN 利用面向运算符的控制数据流图（CDFG）来表示寄存器传输水平（RTL）电路，从而实现对动态依赖关系和运行时执行的捕捉。为训练和评估 DR-GNN，我们构建了第一个综合性动态电路数据集，包含超过 6,300 个 Verilog 设计和 63,000 条仿真痕迹。我们的结果表明，DR-GNN 在分支命中预测和翻转率预测方面均优于现有模型。此外，其学习到的表示能够有效迁移至相关动态电路任务，在电力估计和断言预测中实现优异性能。
引用
@article{arxiv.2511.09593,
title = {DynamicRTL: RTL Representation Learning for Dynamic Circuit Behavior},
author = {Ruiyang Ma and Yunhao Zhou and Yipeng Wang and Yi Liu and Zhengyuan Shi and Ziyang Zheng and Kexin Chen and Zhiqiang He and Lingwei Yan and Gang Chen and Qiang Xu and Guojie Luo},
journal= {arXiv preprint arXiv:2511.09593},
year = {2025}
}
备注
Accepted by AAAI'2026