GenEDA: 基于跨模态电路编码器-解码器对齐的网表功能生成推理框架
机器学习
2025-08-07 v2 硬件体系结构
摘要
基石AI的成功激发了电路基石模型的研究，这些模型针对集成电路（IC）设计过程进行定制化。然而，现有的预训练电路基石模型通常仅限于用于预测任务的独立编码器或用于生成任务的解码器。这两种模型类型独立开发， operate on different circuit modalities, 并驻留在分离的潜在空间。这限制了它们在更高级能力方面的互补性。本文提出了GenEDA，首个在共享潜在空间中跨模态对齐电路编码器与解码器的框架。GenEDA桥接了基于图的电路表示学习与基于文本的大语言模型（LLM）之间的鸿沟，使其各自潜在空间能够进行通信。为实现对齐，我们提出了两种范式，支持开源可训练LLM和商业冻结LLM。我们利用这一对齐架构开发了第一个针对网表的生成基石模型，释放LLM在低层次和位电击的网表上的生成推理能力。GenEDA实现了三项前所未有的生成网表功能推理任务，其中包括从低层次网表反向生成高级功能，如规范和RTL代码。这些任务超越了传统的门功能分类，直接生成完整电路功能。实验表明，GenEDA显著提升了先进LLM（如GPT系列和DeepSeek系列）在所有任务中的性能。
引用
@article{arxiv.2504.09485,
title = {GenEDA: Towards Generative Netlist Functional Reasoning via Cross-Modal Circuit Encoder-Decoder Alignment},
author = {Wenji Fang and Jing Wang and Yao Lu and Shang Liu and Zhiyao Xie},
journal= {arXiv preprint arXiv:2504.09485},
year = {2025}
}
备注
Accepted by ICCAD'25