GAT-Steiner：基于图神经网络的矩形斯坦纳最小树预测
机器学习
2024-07-02 v1
摘要
矩形斯坦纳最小树 (RSMT) 问题是 VLSI 布置与路由中的一个基本问题，已知为 NP-hard 类型。传统的 RSMT 算法在寻找斯坦纳点以减少总线长方面耗费大量时间，或使用启发式方法进行近似求解，产生次优结果。我们表明，图神经网络 (GNN) 可用于以高精度预测 RSMT 中的最优斯坦纳点，并且可以在 GPU 上并行化。在本文中，我们提出了 GAT-Steiner 模型，该模型在 ISPD19 基准测试中正确预测 99.846% 的网络，其平均线长增加仅为 0.480%（针对次优线长网络）。在随机生成的基准测试中，GAT-Steiner 正确预测 99.942% 的网络，其平均线长增加仅为 0.420%。
引用
@article{arxiv.2407.01440,
title = {GAT-Steiner: Rectilinear Steiner Minimal Tree Prediction Using GNNs},
author = {Bugra Onal and Eren Dogan and Muhammad Hadir Khan and Matthew R. Guthaus},
journal= {arXiv preprint arXiv:2407.01440},
year = {2024}
}
备注
Preprint for The 2024 IEEE/ACM International Conference on Computer-Aided Design (ICCAD 2024)