图神经网络：推进集成电路设计、可靠性与安全性的强大且通用的工具
机器学习
2022-11-30 v1 硬件体系结构
密码学与安全
摘要
图神经网络（GNN）在学习和预测社交网络、生物学等领域存在的大规模数据方面，已推动了性能的最先进水平（SOTA）。由于集成电路（IC）可以自然地表示为图，在 IC 设计的各个方面采用 GNN 的基于机器学习（ML）的方法呈现了巨大的激增。鉴于这一趋势，及时地回顾和讨论一些强大且通用的 GNN 方法以推进 IC 设计是必要的。在本文中，我们提出了一个通用流程，用于将 GNN 模型定制以解决 IC 设计中的挑战性问题。我们概述了流程中每个元素的有前景的选项，并讨论了精选的且有前景的工作，例如利用 GNN 破解 SOTA 逻辑混淆。我们对 GNN 框架的全面概述涵盖： 电子设计自动化（EDA）与一般 IC 设计， 可靠 IC 的设计，以及 安全 IC 的设计与分析。我们还在 GNN4ic 中心（https://github.com/DfX-NYUAD/GNN4IC）提供了我们的概述及相关资源。最后，我们讨论了未来研究中有趣的开放性问题。
引用
@article{arxiv.2211.16495,
title = {Graph Neural Networks: A Powerful and Versatile Tool for Advancing Design, Reliability, and Security of ICs},
author = {Lilas Alrahis and Johann Knechtel and Ozgur Sinanoglu},
journal= {arXiv preprint arXiv:2211.16495},
year = {2022}
}
备注
to appear at ASPDAC'23