FuncGNN：用图神经网络学习逻辑电路的功能语义
仪器与探测器
2025-06-10 v1
摘要
随着集成电路规模的扩大和设计复杂度的提升，有效的电路表示有助于支持逻辑综合、形式验证和其他自动化过程。与反转门图 (AIG) 作为一种紧凑且规范的结构，被广泛用于表示这些工作流程中布尔逻辑。然而，现代电路的日益复杂和集成密度的增加引入了结构异质性和全局逻辑信息损失，为准确建模带来了重大挑战。为了解决这些问题，我们提出 FuncGNN，通过集成混合特征聚合来提取多粒度拓扑模式，从而减轻结构异质性并增强逻辑电路表示。FuncGNN 进一步引入面向门的归一化，该归一化适应于电路特定的门分布，提高了对结构异质性的鲁棒性。最后，FuncGNN 采用多层集成将不同层的中间特征合并，有效地综合了局部和全局语义信息，实现全面逻辑表示。实验结果表明，在两项逻辑水平分析任务上（即信号概率预测和真值表距离预测），FuncGNN 超越了现有的领先方法，分别实现了 2.06% 和 18.71% 的改进，同时将训练时间大约减少 50.6%，GPU 内存使用约减少 32.8%。
引用
@article{arxiv.2506.06788,
title = {Influence Mechanism of Truncation on Low-Frequency Phase Measurement},
author = {Yujie Feng and Yuanze Jiang and Liuyang Chen and Haifeng Chen and Yurong Liang},
journal= {arXiv preprint arXiv:2506.06788},
year = {2025}
}